robots.txt
robots.txt(统一小写)是一种存放于网站根目录下的ASCII编码的文本文件,它通常告诉网络搜索引擎的漫游器(又称网络蜘蛛),此网站中的哪些内容是不应被搜索引擎的漫游器获取的,哪些是可以被漫游器获取的。因为一些系统中的URL是大小写敏感的,所以robots.txt的文件名应统一为小写。robots.txt应放置于网站的根目录下。如果想单独定义搜索引擎的漫游器访问子目录时的行为,那么可以将自定的设置合并到根目录下的robots.txt,或者使用robots元数据(Metadata)。
robots.txt协议并不是一个规范,而只是约定俗成的,所以并不能保证网站的隐私。注意robots.txt是用字符串比较来确定是否获取URL,所以目录末尾有与没有斜杠“/”表示的是不同的URL。robots.txt允许使用类似「Disallow: *.gif」这样的通配符[1][2]。
其他的影响搜索引擎的行为的方法包括使用robots元数据:
<meta name="robots" content="noindex,nofollow" />
这个协议也不是一个规范,而只是约定俗成的,有些搜索引擎会遵守这一规范,有些则不然。通常搜索引擎会识别这个元数据,不索引这个页面,以及这个页面的链出页面。
例子
允许所有的机器人:
User-agent: *
Disallow:
另一写法
User-agent: *
Allow:/
仅允许特定的机器人:(name_spider用真实名字代替)
User-agent: name_spider
Allow:
拦截所有的机器人:
User-agent: *
Disallow: /
禁止所有机器人访问特定目录:
User-agent: *
Disallow: /cgi-bin/
Disallow: /images/
Disallow: /tmp/
Disallow: /private/
仅禁止坏爬虫访问特定目录(BadBot用真实的名字代替):
User-agent: BadBot
Disallow: /private/
禁止所有机器人访问特定文件类型[2]:
User-agent: *
Disallow: /*.php$
Disallow: /*.js$
Disallow: /*.inc$
Disallow: /*.css$
非标准扩展协议
自动发现Sitemaps文件
Sitemap
指令被几大搜索引擎支持(包括Google、Yahoo、Bing和Ask),指定了网站Sitemaps文件的位置。Sitemaps文件包含了网站页面所在的URL的一个列表。Sitemap
指令并不受User-agent
指令的限制,所以它可以放在robots.txt文件中的任意位置。[3]
唯一要注意的就是要使用网站地图指令,<sitemap_location>,并将URL的「location」值换成网站地图的地址,例如,下面就是一个网站地图指令的例子:
Sitemap: <http://www.example.com/sitemap.xml>
如何编写Sitemaps文件,请参考sitemaps.org(页面存档备份,存于互联网档案馆)(英文)上的说明。
Crawl-delay指令
几大抓取工具支持Crawl-delay
参数,设置为多少秒,以等待同服务器之间连续请求:[4][5]
User-agent: *
Crawl-delay: 10
Allow指令
一些大的Crawlers支持一项Allow指令,可以抵消先前Disallow指令。比如Googlebot。[6]
替代
雖然robots.txt是最為廣泛接受的方法,但也可以與robots META標籤一起使用。robots META標籤主要是針對一個獨立的頁面設定,與其他的META標籤(如使用的語言、頁面的描述、關鍵詞等)一樣,robots META標籤也是放在頁面的HEAD標籤中,專門用來告訴搜索引擎robots如何抓取該頁的內容。
<head>
<meta name="robots" content="noindex,nofollow" />
</head>
參考文獻
- ^ 使用robots.txt文件阻止或删除网页 (HTML). Google网站站长工具帮助. [2012-10-16]. (原始内容存档于2012-10-18).
- ^ 2.0 2.1 完全指南:如何写好WordPress博客的robots.txt文件. The Observing Mind. [2013-02-14]. (原始内容 (HTML)存档于2013-09-15).
- ^ Jerri L.Ledord著马煜译. 搜索引擎优化宝典. : 257.
- ^ How can I reduce the number of requests you make on my web site? (HTML). Yahoo! Slurp. [2007-02-08]. (原始内容存档于2007-02-08) (英语).
- ^ MSNBot is crawling a site too frequently. Troubleshoot issues with MSNBot and site crawling. [2007-02-08]. (原始内容 (HTML)存档于2007-02-20) (英语).
- ^ 如何拦截Googlebot(谷歌网站站长工具帮助)(简体中文)
外部連結
- The Web Robots Pages(页面存档备份,存于互联网档案馆)
- Robots.txt規範 (页面存档备份,存于互联网档案馆)于Google
- 建立robots.txt檔案 (页面存档备份,存于互联网档案馆)的说明于Google
|