允许所有蜘蛛爬行User-agent: * 如何屏蔽搜索引擎蜘蛛 robots文件语法含义

时间:2016-06-22 00:00 来源:未知点击:次

　　我们在做网站时，有些目录或者文件不希望搜索引擎蜘蛛搜索到，比如后台，重要页面或文件。那么我们这时该怎么办呢？最简单的方法是修改robots.txt文件和网页中的robots Meta标签。

　　robots.txt文件是做什么的，robots文件又称robots协议（也称为爬虫协议、爬虫规则、机器人协议等）robots协议是告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。robots协议不是命令，它只是一个网站国际互联网界通行的道德规范，知名的引擎蜘蛛都会遵守这个协议，只有一些缺乏职业道德的搜索引擎会绕开它。所以修改这个协议也不是万能保险的。

　　robots.txt文件是一个放置在网站根目录下的记事本文件，当搜索蜘蛛访问网站时，它会先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。百度官方建议，仅当您的网站包含不希望被搜索引擎收录的内容时，才需要使用robots.txt文件。如果您希望搜索引擎收录网站上所有内容，请勿建立robots.txt文件。

　　robots文件屏蔽的写法

　　下面是一个网站的robots文件的代码样式。

User-agent: *
Disallow: /plus/ad_js.php
Disallow: /plus/advancedsearch.php
Disallow: /plus/car.php
Disallow: /plus/carbuyaction.php
Disallow: /plus/shops_buyaction.php
Disallow: /plus/erraddsave.php
Disallow: /plus/posttocar.php
Disallow: /plus/disdls.php
Disallow: /plus/feedback_js.php
Disallow: /plus/mytag_js.php
Disallow: /plus/rss.php
Disallow: /plus/search.php
Disallow: /plus/recommend.php
Disallow: /plus/stow.php
Disallow: /plus/count.php
Disallow: /include
Disallow: /templets

　　我们来看一下它的意思：

　　robots文件中应同时包含2个域，“User-agent:”和“Disallow:”，其中User-agent:代表允许、Disallow:代表禁止。每条指令独立一行。并且User-agent必须出现在第一行（有意义的行，注释除外），首先声明用户代理。

　　User-agent:

　　User-agent:指定允许哪些蜘蛛抓取，如果给出参数，则只有指定的蜘蛛能够抓取；如值为通配符“*”号，代表允许所有蜘蛛抓取。如：

User-agent: Googlebot

　　↑ 只允许Google的蜘蛛抓取。

User-agent: baiduspider

　　↑ 只允许百度的蜘蛛抓取。

User-agent: *

　　↑ 这个是指允许所有蜘蛛抓取，*为通配符，代表所有。

　　Disallow:

　　这个是表示禁止蜘蛛抓取的，以上面的robots文件为例。

Disallow: /plus/ad_js.php

　　↑ 这个是指禁止引擎蜘蛛抓取网站中plus目录中的ad_js.php文件

Disallow: /include

　　↑ 这个是指禁止引擎蜘蛛抓取网站中include整个目录，它和Disallow: /include/不是等同的。

Disallow: /include/

　　↑ 这个是指禁止引擎蜘蛛抓取网站中include目录下面的目录，但include目录中的文件蜘蛛仍然可以抓取。

Disallow: /cgi-bin/*.htm

　　↑ 禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。

Disallow: /*?*

　　↑ 禁止访问网站中所有包含问号 (?) 的网址

Disallow: /.jpg$

　　↑ 禁止抓取网页所有的.jpg格式的图片

　　Allow:

　　这是允许的意思。

Allow: /include/

　　↑ 这里是允许爬寻include目录下面的目录

Allow: /include

　　↑ 这里是允许爬寻include整个目录

Allow: .htm$

　　↑ 仅允许访问以".htm"为后缀的URL。

Allow: .gif$

　　↑ 允许抓取网页和gif格式图片

　　Sitemap:

　　网站地图告诉爬虫这个页面是网站地图

　　robot文件的常见用法

↓ 例1. 禁止所有搜索引擎访问整个网站。

User-agent: *
Disallow: /

↓ 例2.禁止百度蜘蛛访问整个网站。

User-agent: baiduspider
Disallow: /

↓ 例3.允许所有搜索引擎访问（也可以建立一个空robots.txt文件或者不建立robots文件）

User-agent: *
Allow:　/

　　User-agent:后的*具有特殊的含义，代表“any robot”，所以在该文件中不能有“Disallow: /tmp/*” or “Disallow:*.gif”这样的记录出现。

　　robots Meta标签屏蔽法

　　robots.txt是放在网站中，文件级的网络蜘蛛授权；而robots Meta标签是放在网页中，一般用于部分网页需要单独设置的情况下。两者的功能是一样的。

Meta robots标签必须放在和之间，格式：

　　content中的值决定允许抓取的类型，必须同时包含两个值：是否允许索引（index）和是否跟踪链接（follow，也可以理解为是否允许沿着网页中的超级链接继续抓取）。共有4个参数可选，组成4个组合：

　　index,follow：允许抓取本页，允许跟踪链接。

　　index,nofollow：允许抓取本页，但禁止跟踪链接。

　　noindex,follow：禁止抓取本页，但允许跟踪链接。

　　noindex,nofllow：禁止抓取本页，同时禁止跟踪本页中的链接。

以上1和4还有另一种写法：

index,follow可以写成all，

noindex,nofollow可以写成none，

　　需要注意的是，robots Meta标签很多搜索引擎是不支持的，只有少数搜索引擎能够识别并按给定的值抓取。所以，尽可能的使用robots.txt文件来限制抓取。

(责任编辑：admin)

网页特效代码_站长素材站移动版

帮助中心