Robots文件是什么?robots生成和查詢方案

2019-06-07 08:54 欄目:常見問題 查看()
Robots文件是什么?robots生成和查詢方案,Robots文件用法及注意事項有哪些?當一個搜索蜘蛛訪問一個站點時,它會首先檢查該站點根目錄下是否存在robots.txt,如果存在,搜索機器人就會按照該文件中的內容來確定訪問的范圍;如果該文件不存在,所有的搜索蜘蛛將能夠訪問網站上所有沒有被口令保護的頁面。沈陽百度推廣官方建議,僅當您的網站包含不希望被搜索引擎收錄的內容時,才需要使用robots.txt文件。如果您希望搜索引擎收錄網站上所有內容,請勿建立robots.txt文件。
robot是什么意思?robots.txt文件是一個文本文件,使用任何一個常見的文本編輯器,比如Windows系統自帶的Notepad,就可以創建和編輯它。robots.txt是一個協議,而不是一個命令。robots.txt是搜索引擎中訪問網站的時候要查看的第一個文件。robots.txt文件告訴蜘蛛程序在服務器上什么文件是可以被查看的。
 
如果將網站視為酒店里的一個房間,robots.txt就是主人在房間門口懸掛的“請勿打擾”或“歡迎打掃”的提示牌。這個文件告訴來訪的搜索引擎哪些房間可以進入和參觀,哪些房間因為存放貴重物品,或可能涉及住戶及訪客的隱私而不對搜索引擎開放。但robots.txt不是命令,也不是防火墻,如同守門人無法阻止竊賊等惡意闖入者。
 
Robots協議原則
 
Robots協議是國際互聯網界通行的道德規范,基于以下原則建立:
 
1、搜索技術應服務于人類,同時尊重信息提供者的意愿,并維護其隱私權;
 
2、網站有義務保護其使用者的個人信息和隱私不被侵犯。
 
Robots文件功能
 
Robots協議用來告知搜索引擎哪些頁面能被抓取,哪些頁面不能被抓??;可以屏蔽一些網站中比較大的文件,如:圖片,音樂,視頻等,節省服務器帶寬;可以屏蔽站點的一些死鏈接。方便搜索引擎抓取網站內容;設置網站地圖連接,方便引導蜘蛛爬取頁面。
 
Robots文件寫法
 
User-agent: * 這里的*代表的所有的搜索引擎種類,*是一個通配符
 
Disallow: /admin/ 這里定義是禁止爬尋admin目錄下面的目錄
 
Disallow: /require/ 這里定義是禁止爬尋require目錄下面的目錄
 
Disallow: /ABC/ 這里定義是禁止爬尋ABC目錄下面的目錄
 
Disallow: /cgi-bin/*.htm 禁止訪問/cgi-bin/目錄下的所有以".htm"為后綴的URL(包含子目錄)。
 
Disallow: /*?* 禁止訪問網站中所有包含問號 (?) 的網址
 
Disallow: /.jpg$ 禁止抓取網頁所有的.jpg格式的圖片
 
Disallow:/ab/adc.html 禁止爬取ab文件夾下面的adc.html文件。
 
Allow: /cgi-bin/ 這里定義是允許爬尋cgi-bin目錄下面的目錄
 
Allow: /tmp 這里定義是允許爬尋tmp的整個目錄
 
Allow: .htm$ 僅允許訪問以".htm"為后綴的URL。
 
Allow: .gif$ 允許抓取網頁和gif格式圖片
 
Sitemap: 網站地圖 告訴爬蟲這個頁面是網站地圖
 
Robots文件用法
 
例1. 禁止所有搜索引擎訪問網站的任何部分
 
User-agent: *
 
Disallow: /
 
實例分析:淘寶網的 Robots.txt文件
 
User-agent: Baiduspider
 
Disallow: /
 
User-agent: baiduspider
 
Disallow: /
 
很顯然淘寶不允許百度的機器人訪問其網站下其所有的目錄。
 
例2. 允許所有的robot訪問 (或者也可以建一個空文件 “/robots.txt” file)
 
User-agent: *
 
Allow: /
 
例3. 禁止某個搜索引擎的訪問
 
User-agent: BadBot
 
Disallow: /
 
例4. 允許某個搜索引擎的訪問
 
User-agent: Baiduspider
 
allow:/
 
例5.一個簡單例子
 
在這個例子中,該網站有三個目錄對搜索引擎的訪問做了限制,即搜索引擎不會訪問這三個目錄。
 
需要注意的是對每一個目錄必須分開聲明,而不要寫成 “Disallow: /cgi-bin/ /tmp/”。
 
User-agent:后的*具有特殊的含義,代表“any robot”,所以在該文件中不能有“Disallow: /tmp/*” or “Disallow:*.gif”這樣的記錄出現。
 
User-agent: *
 
Disallow: /cgi-bin/
 
Disallow: /tmp/
 
Disallow: /~joe/
 
Robot特殊參數:
 
允許 Googlebot:
 
如果您要攔截除Googlebot以外的所有漫游器不能訪問您的網頁,可以使用下列語法:
 
User-agent:
 
Disallow: /
 
User-agent: Googlebot
 
Disallow:
 
Googlebot 跟隨指向它自己的行,而不是指向所有漫游器的行。
 
“Allow”擴展名:
 
Googlebot 可識別稱為“Allow”的 robots.txt 標準擴展名。其他搜索引擎的漫游器可能無法識別此擴展名,因此請使用您感興趣的其他搜索引擎進行查找。“Allow”行的作用原理完全與“Disallow”行一樣。只需列出您要允許的目錄或頁面即可。
 
您也可以同時使用“Disallow”和“Allow”。例如,要攔截子目錄中某個頁面之外的其他所有頁面,可以使用下列條目:
 
User-agent: Googlebot
 
Allow: /folder1/myfile.html
 
Disallow: /folder1/
 
這些條目將攔截 folder1 目錄內除 myfile.html 之外的所有頁面。
 
如果您要攔截 Googlebot 并允許 Google 的另一個漫游器(如 Googlebot-Mobile),可使用”Allow”規則允許該漫游器的訪問。例如:
 
User-agent: Googlebot
 
Disallow: /
 
User-agent: Googlebot-Mobile
 
Allow:
 
使用 * 號匹配字符序列:
 
您可使用星號 (*) 來匹配字符序列。例如,要攔截對所有以 private 開頭的子目錄的訪問,可使用下列條目: User-Agent: Googlebot
 
Disallow: /private*/
 
要攔截對所有包含問號 (?) 的網址的訪問,可使用下列條目:
 
User-agent: *
 
Disallow: /*?*
 
使用 $ 匹配網址的結束字符
 
您可使用 $字符指定與網址的結束字符進行匹配。例如,要攔截以 .asp 結尾的網址,可使用下列條目: User-agent: Googlebot
 
Disallow: /*.asp$
 
您可將此模式匹配與 Allow 指令配合使用。例如,如果 ? 表示一個會話 ID,您可排除所有包含該 ID 的網址,確保 Googlebot 不會抓取重復的網頁。但是,以 ? 結尾的網址可能是您要包含的網頁版本。在此情況下,可對 robots.txt 文件進行如下設置:
 
User-agent: *
 
Allow: /*?$
 
Disallow: /*?
 
Disallow: / *?
 
一行將攔截包含 ? 的網址(具體而言,它將攔截所有以您的域名開頭、后接任意字符串,然后是問號 (?),而后又是任意字符串的網址)。
 
Allow: /*?$ 一行將允許包含任何以 ? 結尾的網址(具體而言,它將允許包含所有以您的域名開頭、后接任意字符串,然后是問號 (?),問號之后沒有任何字符的網址)。
 
盡管robots.txt已經存在很多年了,但是各大搜索引擎對它的解讀都有細微差別。Google與百度都分別在自己的站長工具中提供了robots工具。如果您編寫了robots.txt文件,建議您在這兩個工具中都進行測試,因為這兩者的解析實現確實有細微差別。
robots其它屬性
 
1. Robot-version: 用來指定robot協議的版本號
 
例子: Robot-version: Version 2.0
 
2.Crawl-delay:雅虎YST一個特定的擴展名,可以通過它對我們的抓取程序設定一個較低的抓取請求頻率。您可以加入Crawl-delay:xx指示,其中,“XX”是指在crawler程序兩次進入站點時,以秒為單位的最低延時。
 
3. Visit-time:只有在visit-time指定的時間段里,robot才可以訪問指定的URL,否則不可訪問.
 
例子: Visit-time: 0100-1300 #允許在凌晨1:00到13:00訪問
 
4. Request-rate: 用來限制URL的讀取頻率
 
例子: Request-rate: 40/1m 0100 - 0759 在1:00到07:59之間,以每分鐘40次的頻率進行訪問
 
Request-rate: 12/1m 0800 - 1300 在8:00到13:00之間,以每分鐘12次的頻率進行訪問
 
標簽
 
Robots.txt文件主要是限制整個站點或者目錄的搜索引擎訪問情況,而Robots Meta標簽則主要是針對一個個具體的頁面。和其他的META標簽(如使用的語言、頁面的描述、關鍵詞等)一樣,Robots Meta標簽也是放在頁面中,專門用來告訴搜索引擎ROBOTS如何抓取該頁的內容。
 
Robots Meta標簽中沒有大小寫之分,name=”Robots”表示所有的搜索引擎,可以針對某個具體搜索引擎寫為name=”BaiduSpider”。content部分有四個指令選項:index、noindex、follow、nofollow,指令間以“,”分隔。
 
index指令告訴搜索機器人抓取該頁面;
 
follow指令表示搜索機器人可以沿著該頁面上的鏈接繼續抓取下去;
 
Robots Meta標簽的缺省值是index和follow,只有inktomi除外,對于它,缺省值是index、nofollow。
 
robots注意事項
 
上述的robots.txt和Robots Meta標簽限制搜索引擎機器人(ROBOTS)抓取站點內容的辦法只是一種規則,需要搜索引擎機器人的配合才行,并不是每個ROBOTS都遵守的。目前看來,絕大多數的搜索引擎機器人都遵守robots.txt的規則,而對于Robots META標簽,支持的并不多,但是正在逐漸增加,如著名搜索引擎GOOGLE就完全支持,而且GOOGLE還增加了一個指令“archive”,可以限制GOOGLE是否保留網頁快照。
 
文件位置
 
robots.txt文件應該放置在網站根目錄下。舉例來說,當spider訪問一個網站時,首先會檢查該網站中是否存在robots.txt這個文件,如果 Spider找到這個文件,它就會根據這個文件的內容,來確定它訪問權限的范圍。
 
wordpress的robots位置
 
沒有在wordpress網站根節目上傳過robots.txt,當搜尋引擎和用戶拜訪某個文件時,wordpress程序會主動生成一個robots.txt給搜尋引擎和用戶;若是我們上傳編寫的robots.txt到網站根節目,用戶和搜尋引擎蛛蛛拜訪的就是我們上傳的文件,wordpress就不會再產生那個文件了。只有服務器找不到robots的時候wordpress才會生成這個文件。

思路網絡原創文章原文地址http://www.hyblt.com/jz/faq/360.html
掃描二維碼與網站建設公司項目經理溝通

思路網絡將在微信上24小時期待你的聲音

解答本文疑問/百度推廣/沈陽seo/網絡推廣/網站優化交流

作者:思路網絡 原創不易,轉載時必須以鏈接形式注明作者和原始出處及本聲明!
亚洲Av -宅男色影视,午夜男人免费福利视频,国产福利不卡在线视频,宅男福利社