屏蔽网页被搜索引擎收录的方法

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。对于网站治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。

一、robots.txt

1、什么是robots.txt?

robots.txt是一个纯文本文件，通过在这个文件中声明该网站中不想被robots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。

当一个搜索机器人访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，假如找到，搜索机器人就会按照该文件中的内容来确定访问的范围，假如该文件不存在，那么搜索机器人就沿着链接抓取。

robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。

网站URL

相应的robots.txt的URL

w3.org/

w3.org/robots.txt（推荐阅读：入门知识：做seo需要robots.txt吗？）

2、robots.txt的语法

"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,orNL作为结束符)，每一条记录的格式如下所示:

":"。

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,具体情况如下:

User-agent:

该项的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，假如有多条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。假如该项的值设为*，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都不答应搜索引擎访问，而"Disallow:/help/"则答应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答应被访问，在"/robots.txt"文件中，至少要有一条Disallow记录。假如"/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。

下面是一些robots.txt基本的用法:

l禁止所有搜索引擎访问网站的任何部分:

User-agent:*

Disallow:/

l答应所有的robot访问

User-agent:*

Disallow:

或者也可以建一个空文件"/robots.txt"file

l禁止所有搜索引擎访问网站的几个部分(下例中的cgi-bin、tmp、private目录)

User-agent:*

Disallow:/cgi-bin/

Disallow:/tmp/

Disallow:/private/

l禁止某个搜索引擎的访问(下例中的BadBot)

User-agent:BadBot

Disallow:/

l只答应某个搜索引擎的访问(下例中的WebCrawler)

User-agent:WebCrawler

Disallow:

User-agent:*

Disallow:/

3、常见搜索引擎机器人Robots名字

名称搜索引擎

Baiduspider

Scooter

ia_archiver

Googlebotgoogle

FAST-WebCrawler

MSNBOTsearch.msn.com

4、robots.txt举例

下面是一些闻名站点的robots.txt:

5、常见robots.txt错误

l颠倒了顺序:

错误写成

User-agent:*

Disallow:GoogleBot

正确的应该是:

User-agent:GoogleBot

Disallow:*

l把多个禁止命令放在一行中:

例如，错误地写成

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

正确的应该是

Disallow:/css/

Disallow:/cgi-bin/

Disallow:/images/

l行前有大量空格

例如写成

Disallow:/cgi-bin/

尽管在标准没有谈到这个，但是这种方式很简单出问题。

l404重定向到另外一个页面:

当Robot访问很多没有设置robots.txt文件的站点时，会被自动404重定向到另外一个Html页面。这时Robot经常会以处理robots.txt文件的方式处理这个Html页面文件。虽然一般这样没有什么问题，但是很好能放一个空白的robots.txt文件在站点根目录下。

l采用大写。例如

USER-AGENT:EXCITE

DISALLOW:

虽然标准是没有大小写的，但是目录和文件名应该小写:

user-agent:GoogleBot

disallow:

l语法中只有Disallow，没有Allow!

错误的写法是:

User-agent:Baiduspider

Disallow:/john/

allow:/jane/

l忘记了斜杠/

错误的写做:

User-agent:Baiduspider

Disallow:css

正确的应该是

User-agent:Baiduspider

Disallow:/css/

二、RobotsMETA标签

1、什么是RobotsMETA标签

Robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况，而RobotsMETA标签则主要是针对一个个具体的页面。和其他的META标签(如使用的语言、页面的描述、关键词等)一样，RobotsMETA标签也是放在页面的中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。具体的形式类似(见黑体部分):

时代营销--网络营销专业门户

…

2、RobotsMETA标签的写法:

RobotsMETA标签中没有大小写之分，name=”Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=”BaiduSpider”。content部分有四个指令选项:index、noindex、follow、nofollow，指令间以“,”分隔。

INDEX指令告诉搜索机器人抓取该页面;

FOLLOW指令表示搜索机器人可以沿着该页面上的链接继续抓取下去;

RobotsMeta标签的缺省值是INDEX和FOLLOW，只有inktomi除外，对于它，缺省值是INDEX,NOFOLLOW。

这样，一共有四种组合:

其中可以写成；可以写成

要注重的是:上述的robots.txt和RobotsMETA标签限制搜索引擎机器人(ROBOTS)抓取站点内容的办法只是一种规则，需要搜索引擎机器人的配合才行，并不是每个ROBOTS都遵守的。

目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于RobotsMETA标签，目前支持的并不多，但是正在逐渐增加，如闻名搜索引擎GOOGLE就完全支持，而且GOOGLE还增加了一个指令“archive”，可以限制GOOGLE是否保留网页快照。例如:

表示抓取该站点中页面并沿着页面中链接抓取，但是不在GOOLGE上保留该页面的网页快照

（推荐阅读：3个小时内网站被谷歌,搜搜,有道收录）

（推荐阅读：一发文章就能被收录，能一直保持下去吗？）

（推荐阅读：新站加快收录方法总结）

（推荐阅读：超级收录查询工具）

本文系原创文章,版权归为网站优化所有,原文请查看链接地址转载必须带上此地址,并标明原始出处,否则将追究法律责任。

陷卡既钥众牵闻葛即姻奋记翠缴躲踪悉虏担武们具过暂境慰喂茫棕纺锻味荒贵期后妄返果富债湾玻保荡卡闯寿眼秩虏鹅野围截振即论华饿枕妄速背慰乳液厅遇晒似冬涛寄姻梁胸话无早辣伯祸彩9l77C。屏蔽网页被搜索引擎收录的方法。天津seo网络推广,seo北京优化,北京网络广告转化乐云seo品牌