如何禁止搜索引擎收录?有些内部oa系统,不能被搜索引擎收录如何处理?
2020-03-06 15:19:57   来源:   浏览: 次

导读:1 什么是robots txt文件?搜索引擎使用spider程序自动访问互联网上的网页并 获取网页信息。spider在访问一个网站时,会首先会检查该网站

1. 什么是robots.txt文件?

 

搜索引擎使用spider程序自动访问互联网上的网页并 获取网页信息。spider在访问一个网站时,会首先会检查该网站的根域下是否有一个叫做 robots.txt的纯文本文件,这个文件用于指定spider在您网站上的抓取范围。您可以在您的网站中创建一个robots.txt,在文件中声明 该网站中不想被搜索引擎收录的部分或者指定搜索引擎只收录特定的部分。

请注意,仅当您的网站包含不希望被搜索引擎收录的内容时,才需要使用robots.txt文件。如果您希望搜索引擎收录网站上所有内容,请勿建立robots.txt文件。

2. robots.txt文件放在哪里?

robots.txt 文件应该放置在网站根目录下。举例来说,当spider访问一个网站(比如 http://www.abc.com)时,首先会检查该网站中是否存在http://www.abc.com/robots.txt这个文件,如果 Spider找到这个文件,它就会根据这个文件的内容,来确定它访问权限的范围。

网站 URL 相应的 robots.txt的 URL

http://www.w3.org/ http://www.w3.org/robots.txt

http://www.w3.org:80/ http://www.w3.org:80/robots.txt

http://www.w3.org:1234/ http://www.w3.org:1234/robots.txt

http://w3.org/ http://w3.org/robots.txt

3. 我在robots.txt中设置了禁止百度收录我网站的内容,为何还出现在百度搜索结果中?如果其他网站链接了您robots.txt文件中设置的禁止收录的网页,那么这些网页仍然可能会出现在百度的搜索结果中,但您的网页上的内容不会被抓取、建入索引和显示,百度搜索结果中展示的仅是其他网站对您相关网页的描述。

 

 

 

4. 禁止搜索引擎跟踪网页的链接,而只对网页建索引

 

如果您不想搜索引擎追踪此网页上的链接,且不传递链接的权重,请将此元标记置入网页的 部分:

<meta name="robots" content="nofollow">

 

如果您不想百度追踪某一条特定链接,百度还支持更精确的控制,请将此标记直接写在某条链接上:

<a href="signin.php" rel="nofollow">sign in</a>

 

要允许其他搜索引擎跟踪,但仅防止百度跟踪您网页的链接,请将此元标记置入网页的部分:

<meta name="Baiduspider" content="nofollow">

 

 

 

5. 禁止搜索引擎在搜索结果中显示网页快照,而只对网页建索引

 

要防止所有搜索引擎显示您网站的快照,请将此元标记置入网页的部分:

<meta name="robots" content="noarchive">

要允许其他搜索引擎显示快照,但仅防止百度显示,请使用以下标记:

<meta name="Baiduspider" content="noarchive">

注:此标记只是禁止百度显示该网页的快照,百度会继续为网页建索引,并在搜索结果中显示网页摘要。

 

 

 

6. 我想禁止百度图片搜索收录某些图片,该如何设置?

 

禁止Baiduspider抓取网站上所有图片、禁止或允许Baiduspider抓取网站上的某种特定格式的图片文件可以通过设置robots实现,请参考“robots.txt文件用法举例”中的例10、11、12。

 

 

 

 

7. robots.txt文件的格式

 

"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, or NL作为结束符),每一条记录的格式如下所示:

 

<field>:<optional space><value><optional space>

 

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和Allow行,详细情况如下:

 

User-agent:

 

该 项的值用于描述搜索引擎robot的名字。在"robots.txt"文件中,如果有多条User-agent记录说明有多个robot会受 到"robots.txt"的限制,对该文件来说,至少要有一条User-agent记录。如果该项的值设为*,则对任何robot均有效, 在"robots.txt"文件中,"User-agent:*"这样的记录只能有一条。如果在"robots.txt"文件中,加入"User- agent:SomeBot"和若干Disallow、Allow行,那么名为"SomeBot"只受到"User-agent:SomeBot"后面的 Disallow和Allow行的限制。

 

 

 

Disallow:

 

该项的值用于描述不希望被访问的一组URL,这个值可以是一条 完整的路径,也可以是路径的非空前缀,以Disallow项的值开头的URL不会被 robot访问。例如"Disallow:/help"禁止robot访问/help.html、/helpabc.html、/help /index.html,而"Disallow:/help/"则允许robot访问/help.html、/helpabc.html,不能访问 /help/index.html。"Disallow:"说明允许robot访问该网站的所有url,在"/robots.txt"文件中,至少要有一 条Disallow记录。如果"/robots.txt"不存在或者为空文件,则对于所有的搜索引擎robot,该网站都是开放的。

 

 

 

Allow:

 

该 项的值用于描述希望被访问的一组URL,与Disallow项相似,这个值可以是一条完整的路径,也可以是路径的前缀,以Allow项的值开头 的URL 是允许robot访问的。例如"Allow:/hibaidu"允许robot访问/hibaidu.htm、/hibaiducom.html、 /hibaidu/com.html。一个网站的所有URL默认是Allow的,所以Allow通常与Disallow搭配使用,实现允许访问一部分网页 同时禁止访问其它所有URL的功能。

 

 

 

需要特别注意的是Disallow与Allow行的顺序是有意义的,robot会根据第一个匹配成功的Allow或Disallow行确定是否访问某个URL。

 

 

 

使用"*"and"$":

Baiduspider支持使用通配符"*"和"$"来模糊匹配url。

"$" 匹配行结束符。

"*" 匹配0或多个任意字符。

 

 

注:我们会严格遵守robots的相关协议,请注意区分您不想被抓取或收录的目录的大小写,我们会对robots中所写的文件和您不想被抓取和收录的目录做精确匹配,否则robots协议无法生效。

 

 

 

8. URL匹配举例

 

Allow或Disallow的值 URL

匹配结果

/tmp /tmp yes

/tmp /tmp.html yes

/tmp /tmp/a.html yes

/tmp /tmphoho no

 

/Hello* /Hello.html yes

/He*lo /Hello,lolo yes

/Heap*lo /Hello,lolo no

html$ /tmpa.html yes

/a.html$ /a.html yes

htm$ /a.html no

 

 

9. robots.txt文件用法举例

 

例1. 禁止所有搜索引擎访问网站的任何部分

下载该robots.txt文件 User-agent: *

Disallow: /

例2. 允许所有的robot访问

(或者也可以建一个空文件 "/robots.txt") User-agent: *

Allow: /

例3. 仅禁止Baiduspider访问您的网站 User-agent: Baiduspider

Disallow: /

例4. 仅允许Baiduspider访问您的网站 User-agent: Baiduspider

Allow: /User-agent: *

Disallow: /

例5. 仅允许Baiduspider以及Googlebot访问 User-agent: Baiduspider

Allow: /User-agent: Googlebot

Allow: /User-agent: *

Disallow: /

例6. 禁止spider访问特定目录 

在这个例子中,该网站有三个目录对搜索引擎的访问做了限制,即robot不会访问这三个目录。需要注意的是对每一个目录必须分开声明,而不能写成 "Disallow: /cgi-bin/ /tmp/"。 User-agent: *

Disallow: /cgi-bin/

Disallow: /tmp/

Disallow: /~joe/

例7. 允许访问特定目录中的部分url User-agent: *

Allow: /cgi-bin/see

Allow: /tmp/hi

Allow: /~joe/look

Disallow: /cgi-bin/

Disallow: /tmp/

Disallow: /~joe/

例8. 使用"*"限制访问url

禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。 User-agent: *

Disallow: /cgi-bin/*.htm

例9. 使用"$"限制访问url

仅允许访问以".htm"为后缀的URL。 User-agent: *

Allow: /*.htm$

Disallow: /

例10. 禁止访问网站中所有的动态页面 User-agent: *

Disallow: /*?*

例11. 禁止Baiduspider抓取网站上所有图片

仅允许抓取网页,禁止抓取任何图片。 User-agent: Baiduspider

Disallow: /*.jpg$

Disallow: /*.jpeg$

Disallow: /*.gif$

Disallow: /*.png$

Disallow: /*.bmp$

例12. 仅允许Baiduspider抓取网页和.gif格式图片

允许抓取网页和gif格式图片,不允许抓取其他格式图片 User-agent: Baiduspider

Allow: /*.gif$

Disallow: /*.jpg$

Disallow: /*.jpeg$

Disallow: /*.png$

Disallow: /*.bmp$

例13. 仅禁止Baiduspider抓取.jpg格式图片 User-agent: Baiduspider

Disallow: /*.jpg$

 

 

10. robots.txt文件参考资料

 

robots.txt文件的更具体设置,请参看以下链接:

Web Server Administrator's Guide to the Robots Exclusion Protocol

HTML Author's Guide to the Robots Exclusion Protocol

The original 1994 protocol description, as currently deployed

The revised Internet-Draft specification, which is not yet completed or implemented

 

如果大家对禁止搜索引擎收录的方法还有别的疑问,大家可以到[学院同学汇][学习讨论] 《禁止搜索引擎收录的方法》讨论帖中发表自己的看法,我们的工作人员会关注这里并与大家进行探讨。

 

 

 

如何只禁止百度搜索引擎收录抓取网页

 

1、编辑robots.txt文件,设计标记为:

 

User-agent: Baiduspider

Disallow: /

 

以上robots文件将实现禁止所有来自百度的抓取。

 

 

 

这里说一下百度的user-agent,Baiduspider的user-agent是什么?

百度各个产品使用不同的user-agent:

产品名称 对应user-agent

无线搜索 Baiduspider

图片搜索 Baiduspider-image

视频搜索 Baiduspider-video

新闻搜索 Baiduspider-news

百度搜藏 Baiduspider-favo

百度联盟 Baiduspider-cpro

商务搜索 Baiduspider-ads

网页以及其他搜索 Baiduspider

 

你可以根据各产品不同的user-agent设置不同的抓取规则,以下robots实现禁止所有来自百度的抓取但允许图片搜索抓取/image/目录:

User-agent: Baiduspider

Disallow: /

 

User-agent: Baiduspider-image

Allow: /image/

 

请注意:Baiduspider-cpro和Baiduspider-ads抓取的网页并不会建入索引,只是执行与客户约定的操作,所以不遵守robots协议,这个就需要和百度的人联系才能解决了。

 

 

 

如何只禁止Google搜索引擎收录抓取网页,方法如下:

 

编辑robots.txt文件,设计标记为:

 

User-agent: googlebot

Disallow: /

 

在网站首页代码<head>与</head>之间,加入<meta name="robots" content="noarchive">代码,此标记禁止搜索引擎抓取网站并显示网页快照。

 

在网站首页代码<head>与</head>之间,加入<meta name="Baiduspider" content="noarchive">即可禁止百度搜索引擎抓取网站并显示网页快照。

 

在网站首页代码<head>与</head>之间,加入<meta name="googlebot" content="noarchive">即可禁止谷歌搜索引擎抓取网站并显示网页快照。

 

 

 

另外当我们的需求很怪异的时候,比如下面这几种情况:

 

 

 

1. 网站已经加了robots.txt,还能在百度搜索出来?

 

因 为搜索引擎索引数据库的更新需要时间。虽然Baiduspider已经停止访问您网站上的网页,但百度搜索引擎数据库中已经建立的网页索引信息, 可能需要数月时间才会清除。另外也请检查您的robots配置是否正确。如果您的拒绝被收录需求非常急迫,也可以通过投诉平台反馈请求处理。

 

 

 

2. 希望网站内容被百度索引但不被保存快照,我该怎么做?

 

Baiduspider 遵守互联网meta robots协议。您可以利用网页meta的设置,使百度显示只对该网页建索引,但并不在搜索结果中显示该网页的快照。和robots的更新一样,因为搜 索引擎索引数据库的更新需要时间,所以虽然您已经在网页中通过meta禁止了百度在搜索结果中显示该网页的快照,但百度搜索引擎数据库中如果已经建立了网 页索引信息,可能需要二至四周才会在线上生效。

 

 

 

希望被百度索引,但是不保存网站快照,如下代码解决:

 

<meta name="Baiduspider" content="noarchive">

如果要禁止所有的搜索引擎保存你网页的快照,那么代码就是下面的:

<meta name="robots" content="noarchive">

 

 

 

常用的一些代码组合:

 

<META NAME="ROBOTS" CONTENT="INDEX,FOLLOW">:可以抓取本页,而且可以顺着本页继续索引别的链接

<META NAME="ROBOTS" CONTENT="NOINDEX,FOLLOW">:不许抓取本页,但是可以顺着本页抓取索引别的链接

<META NAME="ROBOTS" CONTENT="INDEX,NOFOLLOW">:可以抓取本页,但是不许顺着本页抓取索引别的链接

<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">:不许抓取本页,也不许顺着本页抓取索引别的链接