屏蔽網頁被搜索引擎收錄的方法

我們知道，搜索引擎都有自己的“搜索機器人”(ROBOTS)，并通過這些ROBOTS在網絡上沿著網頁上的鏈接(一般是http和src鏈接)不斷抓取資料建立自己的數據庫。對于網站治理者和內容提供者來說，有時候會有一些站點內容，不希望被ROBOTS抓取而公開。為了解決這個問題，ROBOTS開發(fā)界提供了兩個辦法:一個是robots.txt，另一個是TheRobotsMETA標簽。

一、robots.txt

1、什么是robots.txt?

robots.txt是一個純文本文件，通過在這個文件中聲明該網站中不想被robots訪問的部分，這樣，該網站的部分或全部內容就可以不被搜索引擎收錄了，或者指定搜索引擎只收錄指定的內容。

當一個搜索機器人訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，假如找到，搜索機器人就會按照該文件中的內容來確定訪問的范圍，假如該文件不存在，那么搜索機器人就沿著鏈接抓取。

robots.txt必須放置在一個站點的根目錄下，而且文件名必須全部小寫。

網站URL

相應的robots.txt的URL

w3.org/

w3.org/robots.txt（推薦閱讀：入門知識：做seo需要robots.txt嗎？）

2、robots.txt的語法

"robots.txt"文件包含一條或更多的記錄，這些記錄通過空行分開(以CR,CR/NL,orNL作為結束符)，每一條記錄的格式如下所示:

":"。

在該文件中可以使用#進行注解，具體使用方法和UNIX中的慣例一樣。該文件中的記錄通常以一行或多行User-agent開始，后面加上若干Disallow行,具體情況如下:

User-agent:

該項的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，假如有多條User-agent記錄說明有多個robot會受到該協(xié)議的限制，對該文件來說，至少要有一條User-agent記錄。假如該項的值設為*，則該協(xié)議對任何機器人均有效，在"robots.txt"文件中，"User-agent:*"這樣的記錄只能有一條。

Disallow:

該項的值用于描述不希望被訪問到的一個URL，這個URL可以是一條完整的路徑，也可以是部分的，任何以Disallow開頭的URL均不會被robot訪問到。例如"Disallow:/help"對/help.html和/help/index.html都不答應搜索引擎訪問，而"Disallow:/help/"則答應robot訪問/help.html，而不能訪問/help/index.html。

任何一條Disallow記錄為空，說明該網站的所有部分都答應被訪問，在"/robots.txt"文件中，至少要有一條Disallow記錄。假如"/robots.txt"是一個空文件，則對于所有的搜索引擎robot，該網站都是開放的。

下面是一些robots.txt基本的用法:

l禁止所有搜索引擎訪問網站的任何部分:

User-agent:*

Disallow:/

l答應所有的robot訪問

User-agent:*

Disallow:

或者也可以建一個空文件"/robots.txt"file

l禁止所有搜索引擎訪問網站的幾個部分(下例中的cgi-bin、tmp、private目錄)

User-agent:*

Disallow:/cgi-bin/

Disallow:/tmp/

Disallow:/private/

l禁止某個搜索引擎的訪問(下例中的BadBot)

User-agent:BadBot

Disallow:/

l只答應某個搜索引擎的訪問(下例中的WebCrawler)

User-agent:WebCrawler

Disallow:

User-agent:*

Disallow:/

3、常見搜索引擎機器人Robots名字

名稱搜索引擎

Baiduspider

Scooter

ia_archiver

Googlebotgoogle

FAST-WebCrawler

MSNBOTsearch.msn.com

4、robots.txt舉例

下面是一些聞名站點的robots.txt:

5、常見robots.txt錯誤

l顛倒了順序:

錯誤寫成

User-agent:*

Disallow:GoogleBot

正確的應該是:

User-agent:GoogleBot

Disallow:*

l把多個禁止命令放在一行中:

例如，錯誤地寫成

Disallow:/css//cgi-bin//images/

正確的應該是

Disallow:/css/

Disallow:/cgi-bin/

Disallow:/images/

l行前有大量空格

例如寫成

Disallow:/cgi-bin/

盡管在標準沒有談到這個，但是這種方式很簡單出問題。

l404重定向到另外一個頁面:

當Robot訪問很多沒有設置robots.txt文件的站點時，會被自動404重定向到另外一個Html頁面。這時Robot經常會以處理robots.txt文件的方式處理這個Html頁面文件。雖然一般這樣沒有什么問題，但是很好能放一個空白的robots.txt文件在站點根目錄下。

l采用大寫。例如

USER-AGENT:EXCITE

DISALLOW:

雖然標準是沒有大小寫的，但是目錄和文件名應該小寫:

user-agent:GoogleBot

disallow:

l語法中只有Disallow，沒有Allow!

錯誤的寫法是:

User-agent:Baiduspider

Disallow:/john/

allow:/jane/

l忘記了斜杠/

錯誤的寫做:

User-agent:Baiduspider

Disallow:css

正確的應該是

User-agent:Baiduspider

Disallow:/css/

二、RobotsMETA標簽

1、什么是RobotsMETA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RobotsMETA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，RobotsMETA標簽也是放在頁面的中，專門用來告訴搜索引擎ROBOTS如何抓取該頁的內容。具體的形式類似(見黑體部分):

時代營銷--網絡營銷專業(yè)門戶

…

2、RobotsMETA標簽的寫法:

RobotsMETA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(xù)抓取下去;

RobotsMeta標簽的缺省值是INDEX和FOLLOW，只有inktomi除外，對于它，缺省值是INDEX,NOFOLLOW。

這樣，一共有四種組合:

其中可以寫成；可以寫成

要注重的是:上述的robots.txt和RobotsMETA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(guī)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(guī)則，而對于RobotsMETA標簽，目前支持的并不多，但是正在逐漸增加，如聞名搜索引擎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。例如:

表示抓取該站點中頁面并沿著頁面中鏈接抓取，但是不在GOOLGE上保留該頁面的網頁快照

（推薦閱讀：3個小時內網站被谷歌,搜搜,有道收錄）

（推薦閱讀：一發(fā)文章就能被收錄，能一直保持下去嗎？）

（推薦閱讀：新站加快收錄方法總結）

（推薦閱讀：超級收錄查詢工具）

本文系原創(chuàng)文章,版權歸為網站優(yōu)化所有,原文請查看鏈接地址轉載必須帶上此地址,并標明原始出處,否則將追究法律責任。

陷卡既鑰眾牽聞葛即姻奮記翠繳躲蹤悉虜擔武們具過暫境慰喂茫棕紡鍛味荒貴期后妄返果富債灣玻保蕩卡闖壽眼秩虜鵝野圍截振即論華餓枕妄速背慰乳液廳遇曬似冬濤寄姻梁胸話無早辣伯禍彩9l77C。屏蔽網頁被搜索引擎收錄的方法。天津seo網絡推廣,seo北京優(yōu)化,北京網絡廣告轉化樂云seo品牌