robots.txt禁止搜索引擎收录

禁止搜索引擎收录的方法
       

一．什么是robots.txt文件?

　　搜索引擎通过一种程序robot（又称spider），自动访问互联网上的网页并获取网页信息。

　　您可以在您的网站中创建一个纯文本文件robots.txt，在这个文件中声明该网站中不想被robot访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。

二. robots.txt文件放在哪里?

　　robots.txt文件应该放在网站根目录下。举例来说，当robots访问一个网站（比如
http://www.abc.com）时，首先会检查该网站中是否存在http://www.abc.com/robots.txt这个文件，如果机器
人找到这个文件，它就会根据这个文件的内容，来确定它访问权限的范围。

网站 URL 相应的 robots.txt的 URL
http://www.w3.org/ http://www.w3.org/robots.txt
http://www.w3.org:80/ http://www.w3.org:80/robots.txt
http://www.w3.org:1234/ http://www.w3.org:1234/robots.txt
http://w3.org/ http://w3.org/robots.txt

三. robots.txt文件的格式

"robots.txt"文件包含一条或更多的记录，这些记录通过空行分开（以CR,CR/NL, or NL作为结束符），每一条记录的格式如下所示：

　　　　"<field>:<optionalspace><value><optionalspace>"。

　　在该文件中可以使用#进行注解，具体使用方法和UNIX中的惯例一样。该文件中的记录通常以一行或多行User-agent开始，后面加上若干Disallow行,详细情况如下：

User-agent:
                     
 　　该项的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，如果有多条User-agent记录说明有多个robot会受到该
协 议的限制，对该文件来说，至少要有一条User-agent记录。如果该项的值设为*，则该协议对任何机器人均有效，在"robots.txt"文件
中，"User-agent：*"这样的记录只能有一条。

Disallow :
                     
 　　该项的值用于描述不希望被访问到的一个URL，这个URL可以是一条完整的路径，也可以是部分的，任何以Disallow            
           开头的URL均不会被robot访问到。例如"Disallow: /help"对/help.html
和/help/index.html都不允许搜索引擎访问，而"Disallow:                      
 /help/"则允许robot访问/help.html，而不能访问/help/index.html。
                     
 任何一条Disallow记录为空，说明该网站的所有部分都允许被访问，在"/robots.txt"文件中，至少要有一条Disallow记录。如
果" /robots.txt"是一个空文件，则对于所有的搜索引擎robot，该网站都是开放的。

四. 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
                           
                           　　　下载该robots.txt文件
User-agent: *
                             Disallow: /

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/

五. robots.txt文件参考资料

robots.txt文件的更具体设置,请参看以下链接：

· Web                        Server Administrator‘s Guide to the Robots Exclusion Protocol                        
                       · HTML                        Author‘s Guide to the Robots Exclusion Protocol
                       · The original 1994 protocol                        description, as currently deployed
                       · The revised Internet-Draft                        specification, which is not yet completed or implemented

时间： 2024-11-08 09:42:02

robots.txt禁止搜索引擎收录的相关文章

如何禁止搜索引擎收录的方法

一些站长在遇到网站被黑的时候,往往急着去处理网站的内容却忽略了网站被黑被攻击的本源,一方面网站可能在权限设置上缺乏考虑,另一方面网站可能有程序上的漏洞,根本的,在于网络攻击者看重了网站域名在互联网搜索引擎的作用,利用网站挂马进而宣传其违法或有害信息. 对于搜索引擎收录方面没有特别需求的用户,比如企业网站或内部办公系统等,在虚拟主机安全设置上可以考虑利用robots文件来禁止搜索引擎收录,这样的方式阻断了网络挂马的利益,通过这样的方式,也可能减少一些意外攻击风险.如何禁止搜索引擎收录呢?这里从ro

如何禁止搜索引擎收录抓取

第一种.robots.txt方法 搜索引擎默认的遵守robots.txt协议,创建robots.txt文本文件放至网站根目录下,编辑代码如下: User-agent:*Disallow: 通过代码,即可告诉搜索引擎不要抓取采取收录本网站. 第二种.网页代码 在网站首页代码<head>与</head>之间,加入<metaname="robots"content="noarchive">代码,此标记禁止搜索引擎抓取网站并显示网页快照.

nginx通过robots.txt禁止所有蜘蛛访问（禁止搜索引擎收录）

在server {} 块中添加下面的配置 location =/robots.txt { default_type text/html; add_header Content-Type "text/plain; charset=UTF-8"; return 200 "User-Agent: *\nDisallow: /"; } 在线测试robots.txt是否生效 https://ziyuan.baidu.com/robots/index robots.txt文件生

禁止搜索引擎收录的方法

一．什么是robots.txt文件? 搜索引擎通过一种程序robot(又称spider),自动访问互联网上的网页并获取网页信息. 您可以在您的网站中创建一个纯文本文件robots.txt,在这个文件中声明该网站中不想被robot访问的部分,这样,该网站的部分或全部内容就可以不被搜索引擎收录了,或者指定搜索引擎只收录指定的内容. 二. robots.txt文件放在哪里? robots.txt文件应该放在网站根目录下.举例来说,当robots访问一个网站(比如 http://www.abc.com)

IIS设置文件 Robots.txt 禁止爬虫

robots.txt用于禁止网络爬虫访问网站指定目录.robots.txt的格式采用面向行的语法:空行.注释行(以#打头).规则行.规则行的格式为:Field: value.常见的规则行:User-Agent.Disallow.Allow行. User-Agent行 User-Agent: robot-name User-Agent: * Disallow和Allow行 Disallow: /path Disallow: # 空字符串,起通配符效果,全禁止 Allow: /path Allow:

搜索引擎蜘蛛及网站robots.txt文件详解[转载]

我们知道,搜索引擎都有自己的“搜索机器人”(ROBOTS),并通过这些ROBOTS在网络上沿着网页上的链接(一般是http和src链接)不断抓取资料建立自己的数据库. 对于网站管理者和内容提供者来说,有时候会有一些站点内容,不希望被ROBOTS抓取而公开.为了解决这个问题,ROBOTS开发界提供了两个办法:一个是robots.txt,另一个是TheRobotsMETA标签. 注意:robots.txt写法是否正确对搜索引擎抓取网站至关重要,我们尽量按照标准的格式写语句,否则出现的错误可能会导致搜

Robots.txt详解

Robots协议(爬虫协议.机器人协议)的全称是"网络爬虫排除标准",网站通过Robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取: 优化蜘蛛爬行: 1.提高爬行效率 2.减少带宽消耗 3.防止双收录 如何在自己的网站设置robots.txt? 1.新建Robots.txt 2.编辑内容 3.上传到根目录 注意:Robots.txt文件名必须都是小写 Robots.txt必须放到网站根目录 Robots.txt语法详解: User-agent: Baiduspider 注意:

robots.txt文件配置和使用方法详解

robots.txt文件,提起这个概念,可能不少站长还很陌生:什么是robots.txt文件?robots.txt文件有什么作用?如何配置robots.txt文件?如何正确使用robots.txt文件?下面,就这些问题进行剖析,让你深入认识robots.txt文件. robots.txt文件是什么? robots.txt是一个简单的以.txt结尾的文本文件,是搜索引擎Robot(也叫搜索引擎机器人)程序抓取网页时要访问的第一个文件. robots.txt文件有什么作用? 通过robots.txt

网站robots.txt探测工具Parsero

robots.txt文件是网站根目录下的一个文本文件.robots.txt是搜索引擎中访问网站的时候要查看的第一个文件.当搜索引擎访问一个站点时,它会首先检查该站点根目录下是否存在robots.txt.如果存在,搜索引擎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,则会够访问网站上所有没有被口令保护的所有页面. 网站为了防止搜索引擎访问一些重要的页面,会把其所在的目录放入robots.txt文件中.所以,探测该文件,也可以获取网站的重要信息.Kali Linux提供一个小工具Pars