|
|
|
robots.txt作为所有搜索引擎共同遵循的规则协议书，当搜索引擎蜘蛛爬行站点时先检测网站有无robots其次依照robots规则范围进行爬行，如果没有robots.txt，那么蜘蛛就会沿着链接抓取。请牢牢记住：robots.txt必须放置在站点的根目录下，而且文件名必须全部小写。Disallow后面的冒号必须为英文状态的。我们先来理解User-agent和Disallow的定义。User-agent：该项用于描述搜索引擎蜘蛛的名字。（1）规定所有蜘蛛：User-agent:*；（2）规定某一个蜘蛛：User-agent:BaiduSpider。Disallow：该项用于描述不希望被抓取和索引的一个URL，这个URL可以是一条完整的路径。这有几种不同定义和写法：（1）Disallow:/AAA.net，任何以域名+Disallow描述的内容开头的URL均不会被蜘蛛访问，也就是说以AAA.net目录内的文件均不会被蜘蛛访问；（2）Disallow：/AAA.net/则允许robots抓取和索引AAA.net/index.html，而不能抓取和索引AAA.net/admin.html；（3）如果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，至少应有Disallow记录，如果robots.txt为空文件，则对所有的搜索引擎robot来说，该网站都是开放的。1、国内建站需要用到的常见搜索引擎robot的名称。有时候我们觉得网站访问量（IP）不多，但是网站流量为什么耗的快？有很多的原因是垃圾（没有）蜘蛛爬行和抓取消耗的。而网站要屏蔽哪个搜索引擎或只让哪个搜索引擎收录的话，首先要知道每个搜索引擎robot的名称。2、robots.txt文件基本常用写法：首先，你先建一个空白文本文档（记事本），然后命名为：robots.txt。（1）禁止所有搜索引擎访问网站的任何部分。User-agent: *Disallow: /（2）允许所有的robots访问，无任何限制。User-agent: *Disallow:或者User-agent: *Allow: /还可以建立一个空文件robots.txt或者不建立robots.txt。（3）仅禁止某个搜索引擎的访问（例如：百度baiduspider）User-agent: BaiduSpiderDisallow:/（4）允许某个搜索引擎的访问（还是百度）User-agent: BaiduSpiderDisallow:User-agent: *Disallow: /这里需要注意，如果你还需要允许谷歌bot，那么也是在“User-agent: *”前面加上，而不是在“User-agent: *”后面。（5）禁止Spider访问特定目录和特定文件（图片、压缩文件）。User-agent: *Disallow: /AAA.net/Disallow: /admin/Disallow: .jpg$Disallow: .rar$这样写之后，所有搜索引擎都不会访问这2个目录。需要注意的是对每一个目录必须分开说明，而不要写出“Disallow:/AAA.net/ /admin/”。3、robots特殊参数（这一部分不熟者不要轻易使用）（1）AllowAllow与Disallow是正好相反的功能，Allow行的作用原理完全与Disallow行一样，所以写法是一样的，只需要列出你要允许的目录或页面即可。Disallow和Allow可以同时使用，例如，需要拦截子目录中的某一个页面之外的其他所有页面，可以这么写：User-agent: *Disallow: /AAA.net/Allow: /AAA.net/index.html这样说明了所有蜘蛛只可以抓取/AAA.net/index.html的页面，而/AAA.net/文件夹的其他页面则不能抓取，还需要注意以下错误的写法：User-agent: *Disallow: /AAA.netAllow: /AAA.net/index.html原因请看上面Disallow值的定义说明。（2）使用“*”号匹配字符序列。例1.拦截搜索引擎对所有以admin开头的子目录的访问，写法：User-agent: *Disallow: /admin*/例2.要拦截对所有包含“?”号的网址的访问，写法：User-agent: *Disallow: /*?*（3）使用“$”匹配网址的结束字符例1.要拦截以.asp结尾的网址，写法：User-agent: *Disallow:/*.asp$例2.如果“:”表示一个会话ID，可排除所包含该ID的网址，确保蜘蛛不会抓取重复的网页。但是，以“?”结尾的网址可能是你要包含的网页版本，写法：User-agent: *Allow: /*?$Disallow: /*?也就是只抓取.asp?的页面，而.asp?=1，.asp?=2等等都不抓取。4、网站地图（sitemap）对于提交网站地图，我们可以到谷歌站长工具提交，也可以用robots.txt文件中提示蜘蛛抓取：sitemap:AAA.net/sitemaps.xml5、robots.txt的好处与坏处（解决方法）。好处：（1）有了robots.txt，spider抓取URL页面发生错误时则不会被重定向至404处错误页面，同时有利于搜索引擎对网站页面的收录。（2）robots.txt可以制止我们不需要的搜索引擎占用服务器的宝贵宽带。（3）robots.txt可以制止搜索引擎对非公开的爬行与索引，如网站的后台程序、管理程序，还可以制止蜘蛛对一些临时产生的网站页面的爬行和索引。（4）如果网站内容由动态转换静态，而原有某些动态参数仍可以访问，可以用robots中的特殊参数的写法限制，可以避免搜索引擎对重复的内容惩罚，保证网站排名不受影响。坏处：（1）robots.txt轻松给黑客指明了后台的路径。解决方法：给后台文件夹的内容加密，对默认的目录主文件inde.html改名为其他。（2）如果robots.txt设置不对，将导致搜索引擎不抓取网站内容或者将数据库中索引的数据全部删除。User-agent: *Disallow: /这一条就是将禁止所有的搜索引擎索引数据。相关内容：robots.txt文件协议最佳设置技巧相关文章推荐【岳阳seo】使用robots.txt屏蔽蜘蛛对网站的抓取 搜索引擎机器人不断抓取网站，以便将它们添加到搜索引擎索引中。但是，有时开发人员希望将自己的网站或特定页面隐藏在 […]...robots.txt文件协议设置技巧 数字营销人员和搜索引擎优化专业人士都应该知道搜索引擎索引的重要性，这正是他们尽力帮助各大搜索引擎正确抓取并索引 […]...如何屏蔽搜索引擎蜘蛛对网站的抓取？ 要知道在seo优化的过程当中，有时候是需要对搜索引擎蜘蛛进行屏蔽的，就是禁止对网站的某个地方进行抓取，那么我们 […]...网页搜索优化的一些相关知识 网站的访问者不只有人类，还有搜索引擎网络抓取工具，了解如何改善网站的搜索精度和排名。 确定网页的网址结构 自适 […]...网络爬虫简介 当我与人们谈论我做什么以及SEO是什么时，他们通常会很快问到如何提升网络爬虫的抓取率，良好的网站结构，良好的内 […]... |
|
发表于 2020-6-29 22:45