美国加拿大留学移民生活新闻百事牛BestKnew

 找回密码
 1分钟注册发帖

QQ登录

只需一步,快速开始

扫一扫,访问微社区

开启左侧

正确使用robots.txt,方便GOOGLE网络爬虫网络机器人建立索引

[复制链接]
cloud 发表于 2013-7-26 03:06:12 | 显示全部楼层 |阅读模式
1.robots.txt这个Disallow:后面一半怎么写(请举例说明各种情况,越多越好)
  2.robots.txt怎么指明某个东西的未知,比如:网站地图(请将具体的代码写好)
  3.robots.txt在根目录下怎么看?根目录在管理后台(发布跟新文章地方)就可以看,看是空间放源代码文件得地方,这个我分不清楚,求教?
  4.robots还拿哪些问题比较重要的,请写下,感谢!
  大伟的回复:
  robots.txt是在网站空间根目录里面。 给楼主提供一篇文章看看:
  网站能不能被搜索引擎索引到,除了看有没有向搜索引擎入口提交、有否与其他站点交换链接等之外,还得看根目录底下的robots.txt文件有没有禁止搜索引擎的收录,这里摘录一些关于robots.txt文件的写法备忘。
  什么是robots.txt文件
  搜索引擎通过一种爬虫spider程序(又称搜索蜘蛛、robot、搜索机器人等),自动搜集互联网上的网页并获取相关信息。
  鉴于网络安全与隐私的考虑,搜索引擎遵循robots.txt协议。通过在根目录中创建的纯文本文件robots.txt,网站可以声明不想被robots访问的部分。每个网站都可以自主控制网站是否愿意被搜索引擎收录,或者指定搜索引擎只收录指定的内容。当一个搜索引擎的爬虫访问一个站点时,它会首先检查该站点根目录下是否存在robots.txt,如果该文件不存在,那么爬虫就沿着链接抓取,如果存在,爬虫就会按照该文件中的内容来确定访问的范围。
  robots.txt必须放置在一个站点的根目录下,而且文件名必须全部小写。
  robots.txt文件的写法
  robots.txt文件的格式
  User-agent: 定义搜索引擎的类型
  Disallow: 定义禁止搜索引擎收录的地址
  Allow: 定义允许搜索引擎收录的地址
  我们常用的搜索引擎类型有:
  google蜘蛛:googlebot
  百度蜘蛛:baiduspider
  yahoo蜘蛛:slurp
  alexa蜘蛛:ia_archiver
  msn蜘蛛:msnbot
  altavista蜘蛛:scooter
  lycos蜘蛛:lycos_spider_(t-rex)
  alltheweb蜘蛛:fast-webcrawler
  inktomi蜘蛛: slurp
  robots.txt文件的写法
  User-agent: *    这里的*代表的所有的搜索引擎种类,*是一个通配符
  Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录
  Disallow: /require/   这里定义是禁止爬寻require目录下面的目录
  Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录
  Disallow: /ABC 这里定义是禁止爬寻ABC整个目录
  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的动态页面
  Disallow: .jpg$ 禁止抓取网页所有的.jpg格式的图片
  Disallow:/ab/adc.html 禁止爬寻ab文件夹下面的adc.html所有文件
  User-agent: *   这里的*代表的所有的搜索引擎种类,*是一个通配符
  Allow: /cgi-bin/  这里定义是允许爬寻cgi-bin目录下面的目录
  Allow: /tmp 这里定义是允许爬寻tmp的整个目录
  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
  robots.txt文件用法举例
  例1. 禁止所有搜索引擎访问网站的任何部分
  User-agent: *
  Disallow: /
  实例分析:淘宝网的 Robots.txt文件
  User-agent: Baiduspider
  Disallow: /
  很显然淘宝不允许百度的机器人访问其网站下其所有的目录。
  例2. 允许所有的robot访问 (或者也可以建一个空文件 “/robots.txt” file)
  User-agent: *
  Disallow:
  例3. 禁止某个搜索引擎的访问
  User-agent: BadBot
  Disallow: /
  例4. 允许某个搜索引擎的访问
  User-agent: baiduspider
  Disallow: User-agent: *
  Disallow: /
  例5.一个简单例子
  在这个例子中,该网站有三个目录对搜索引擎的访问做了限制,即搜索引擎不会访问这三个目录。
  需要注意的是对每一个目录必须分开声明,而不要写成 “Disallow: /cgi-bin/ /tmp/”。
  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。
  User-agent: *
  Disallow: /cgi-bin/
  Disallow: /tmp/
  Disallow: /~joe/
  Robots特殊参数:
  允许 Googlebot:
  如果您要拦截除 Googlebot 以外的所有漫游器访问您的网页,可以使用下列语法:
  User-agent:
  Disallow:/
  User-agent:Googlebot
  Disallow:
  Googlebot 跟随指向它自己的行,而不是指向所有漫游器的行。
  “Allow”扩展名:
  Googlebot 可识别称为“Allow”的 robots.txt 标准扩展名。其他搜索引擎的漫游器可能无法识别此扩展名,因此请使用您感兴趣的其他搜索引擎进行查找。“Allow”行的作用原理完全与“Disallow”行一样。只需列出您要允许的目录或页面即可。
  您也可以同时使用“Disallow”和“Allow”。例如,要拦截子目录中某个页面之外的其他所有页面,可以使用下列条目:
  User-Agent:Googlebot
  Disallow:/folder1/
  Allow:/folder1/myfile.html
  这些条目将拦截 folder1 目录内除 myfile.html 之外的所有页面。
  如果您要拦截 Googlebot 并允许 Google 的另一个漫游器(如 Googlebot-Mobile),可使用”Allow”规则允许该漫游器的访问。例如:
  User-agent:Googlebot
  Disallow:/
  User-agent:Googlebot-Mobile
  Allow:
  使用 * 号匹配字符序列:
  您可使用星号 (*) 来匹配字符序列。例如,要拦截对所有以 private 开头的子目录的访问,可使用下列条目:
  User-Agent:Googlebot
  Disallow:/private*/
  要拦截对所有包含问号 (?) 的网址的访问,可使用下列条目:
  User-agent:*
  Disallow:/*?*
  使用 $ 匹配网址的结束字符
  您可使用 $ 字符指定与网址的结束字符进行匹配。例如,要拦截以 .asp 结尾的网址,可使用下列条目:
  User-Agent:Googlebot
  Disallow:/*.asp$
  您可将此模式匹配与 Allow 指令配合使用。例如,如果 ? 表示一个会话 ID,您可排除所有包含该 ID 的网址,确保 Googlebot 不会抓取重复的网页。但是,以 ? 结尾的网址可能是您要包含的网页版本。在此情况下,可对 robots.txt 文件进行如下设置:
  User-agent:*
  Allow:/*?$
  Disallow:/*?
  Disallow:/ *?
  一行将拦截包含 ? 的网址(具体而言,它将拦截所有以您的域名开头、后接任意字符串,然后是问号 (?),而后又是任意字符串的网址)。
  Allow: /*?$ 一行将允许包含任何以 ? 结尾的网址(具体而言,它将允许包含所有以您的域名开头、后接任意字符串,然后是问号 (?),问号之后没有任何字符的网址)。
  

作者信息:大伟 - 真名:马林,世界学习室创始人、世界学习室QQ交流群87565275欢迎大家加入内涵丰富资料。想看作者更多文章请搜索世界学习室或者530761333,还可以登陆 http://www.shijiexuexi.cn
版权声明:欢迎转载,转载请注明原作者,转载时请保留原作者信息,谢谢合作
回复

使用道具 举报

 楼主| cloud 发表于 2013-7-26 03:06:27 | 显示全部楼层
Robots Meta标签
  Robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况,而Robots Meta标签则主要是针对一个个具体的页面。和其他的META标签(如使用的语言、页面的描述、关键词等)一样,Robots Meta标签也是放在页面的中,专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。
  Robots Meta标签中没有大小写之分,name=”Robots”表示所有的搜索引擎,可以针对某个具体搜索引擎写为name=”BaiduSpider”。content部分有四个指令选项:index、noindex、follow、nofollow,指令间以“,”分隔。
  index指令告诉搜索机器人抓取该页面;
  follow指令表示搜索机器人可以沿着该页面上的链接继续抓取下去;
  Robots Meta标签的缺省值是index和follow,只有inktomi除外,对于它,缺省值是index、nofollow。
  需要注意的是:上述的robots.txt和Robots Meta标签限制搜索引擎机器人(ROBOTS)抓取站点内容的办法只是一种规则,需要搜索引擎机器人的配合才行,并不是每个ROBOTS都遵守的。
  目前看来,绝大多数的搜索引擎机器人都遵守robots.txt的规则,而对于RobotsMETA标签,目前支持的并不多,但是正在逐渐增加,如著名搜索引擎GOOGLE就完全支持,而且GOOGLE还增加了一个指令“archive”,可以限制GOOGLE是否保留网页快照。
  Sitemap 网站地图
  对网站地图的新的支持方式,就是在robots.txt文件里直接包括sitemap文件的链接。就像这样:Sitemap:http://www.********.cn/sitemap.xml
  目前对此表示支持的搜索引擎公司有Google, Yahoo和MSN。不过,大伟建议还是在Google Sitemap进行提交,里面有很多功能可以分析你的链接状态。
回复 支持 反对

使用道具 举报

彩云追月 发表于 2014-6-8 00:45:41 | 显示全部楼层
请继续努力!
回复 支持 反对

使用道具 举报

啊飒 发表于 2014-8-5 22:05:11 | 显示全部楼层
谢谢楼主辛勤劳动!
回复 支持 反对

使用道具 举报

陈佰强 发表于 2015-1-6 12:50:49 | 显示全部楼层
看看,学习学习
回复 支持 反对

使用道具 举报

您需要登录后才可以回帖 登录 | 1分钟注册发帖

本版积分规则

声明:“百事牛www.BestKnew.com”的信息由个人用户实时发布并显示,百事牛对所有内容的合法性,真实性,完整性及立场等不负任何法律责任。所有信息版权属原作者所有,一切发言只代表发言者个人意见,并非本网站之立场。由于“实时上传显示”运作方式不能实时审核所有发言,若读者发现内容有问题,请联络我们。

小黑屋|手机版|Archiver|百事牛

GMT+8, 2022-12-7 20:41 , Processed in 0.024133 second(s), 16 queries .

Powered by Discuz! X3.4

Copyright © 2001-2020, Tencent Cloud.

快速回复 返回顶部 返回列表