搜索引擎通過一種程序robot（又稱spider），自動訪問互聯(lián)網上的網頁并獲取網頁信息。
搜索引擎通過一種程序robot（又稱spider），自動訪問互聯(lián)網上的網頁并獲取網頁信息。
您可以在您的網站中創(chuàng)建一個純文本文件robots.txt，在這個文件中聲明該網站中不想被robot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。robots.txt文件應該放在網站根目錄下。
當一個搜索機器人（有的叫搜索蜘蛛）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，那么搜索機器人就沿著鏈接抓取。
robots.txt文件的格式：
“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， or NL作為結束符），每一條記錄的格式如下所示：
“field>:optionalspace>value>optionalspace>”。
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，詳細情況如下：
User-agent：
該項的值用于描述搜索引擎robot的名字，在 ”robots.txt”文件中，如果有多條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。如果該項的值設為*，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都不允許搜索引擎訪問，而”Disallow:/help/”則允許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允許被訪問，在”/robots.txt”文件中，至少要有一條Disallow記錄。如果”/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。
robots.txt文件用法舉例：
例1. 禁止所有搜索引擎訪問網站的任何部分 下載該robots.txt文件 User-agent： * Disallow： /
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： *Disallow：
例3. 禁止某個搜索引擎的訪問 User-agent： BadBotDisallow： /
例4. 允許某個搜索引擎的訪問 User-agent： baiduspiderDisallow： User-agent： *Disallow： /
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/”?！ ser-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：
1. Google
允許 Googlebot：
如果您要攔截除 Googlebot 以外的所有漫游器訪問您的網頁，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
Disallow:/folder1/
Allow:/folder1/myfile.html
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(guī)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）。
Sitemap 網站地圖：
對網站地圖的新的支持方式，就是在robots.txt文件里直接包括sitemap文件的鏈接。
就像這樣：
Sitemap： http://www.eastsem.com/sitemap.xml
目前對此表示支持的搜索引擎公司有Google， Yahoo， Ask and MSN。
不過，我建議還是在Google Sitemap 進行提交，里面有很多功能可以分析你的鏈接狀態(tài)。
更多精彩點擊下一頁
上一頁12 下一頁 閱讀全文
