Baidu上的一条免责申明和网站根目录Robots.txt文件的使用

原创 2004年09月02日 20:43:00

今天注意到百度的搜索结果的页面最底下有一行免责申明,点开,出现一堆的“xxx不承担任何法律责任”。第6条是“任何网站如果不想被百度在线网络技术(北京)有限公司的搜索引擎收录,应该及时向服务网站或百度公司反应,或是在网站的页面中根据拒绝蜘蛛协议(Robots Exclusion Protocol)加注拒绝收录的标记,否则,百度的搜索引擎将视其为可收录网站。”从这里,可以得知搜索引擎相关的法律,网站对于搜索引擎,没有明确表示拒绝就是默认为接受,难怪说internet是开放性的。

欧美电影给人的感觉是,开放的女人,没有明确拒绝就是接受。现实中的经历女人没有明确的接受就是拒绝。

禁止搜索引擎收录的方法

一.什么是robots.txt文件?

  搜索引擎通过一种程序robot(又称spider),自动访问互联网上的网页并获取网页信息。

  您可以在您的网站中创建一个纯文本文件robots.txt,在这个文件中声明该网站中不想被robot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。

二. robots.txt文件放在哪里?

  robots.txt文件应该放在网站根目录下。举例来说,当robots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,如果机器人找到这个文件,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
下面是一些著名站点的robots.txt

http://www.cnn.com/robots.txt

http://www.google.com/robots.txt

http://www.ibm.com/robots.txt

http://www.sun.com/robots.txt

http://www.eachnet.com/robots.txt

三. 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>:<optionalspace><value><optionalspace>"。


  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,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会受到该协议的限制,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都不允许搜索引擎访问,而"Disallow: /help/"则允许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允许被访问,在"/robots.txt"文件中,至少要有一条Disallow记录。如果"/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。

四. robots.txt文件用法举例

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         允许所有的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-bintmpprivate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         只允许某个搜索引擎的访问(下例中的WebCrawler
User-agent: WebCrawler
Disallow:

User-agent: *
Disallow: /

下面一个小工具专门检查robots.txt文件的有效性:

http://www.searchengineworld.com/cgi-bin/robotcheck.cgi

 

<?xml:namespace prefix = o ns = "urn:schemas-microsoft-com:office:office" />

五、 Robots META标签

 

1什么是Robots META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Robots META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,Robots META标签也是放在页面的<head></head>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):

 

<html>

<head>

<title>时代营销--网络营销专业门户</title>

<meta name="Robots" content="index,follow">

<meta http-equiv="Content-Type" CONTENT="text/html; charset=gb2312">

<meta name="keywords" content="营销… ">

<meta name="description" content="时代营销网是…">

<link rel="stylesheet" href="/public/css.css" type="text/css">

</head>

<body>

</body>

</html>

 

2Robots META标签的写法:

 

Robots META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:indexnoindexfollownofollow,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;

Robots Meta标签的缺省值是INDEXFOLLOW,只有inktomi除外,对于它,缺省值是INDEX,NOFOLLOW

 

这样,一共有四种组合:

<META NAME="ROBOTS" CONTENT="INDEX,FOLLOW">

<META NAME="ROBOTS" CONTENT="NOINDEX,FOLLOW">

<META NAME="ROBOTS" CONTENT="INDEX,NOFOLLOW">

<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">

 

其中

<META NAME="ROBOTS" CONTENT="INDEX,FOLLOW">可以写成

<META NAME="ROBOTS" CONTENT="ALL">

<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">可以写成

<META NAME="ROBOTS" CONTENT="NONE">

 

 

需要注意的是:上述的robots.txtRobots META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Robots META标签,目前支持的并不多,但是正在逐渐增加,如著名搜索引擎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:

<META NAME="googlebot" CONTENT="index,follow,noarchive">

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。

如何防止利用robots.txt查找到网站后台

网站的robots.txt的目的是告知搜索引擎,哪些目录不可以访问和收录。当搜索爬虫访问你的站点时,它会首先检查你站点根目录下是否有robots.txt文件,如果有,搜索引擎机器人就会根据此文件中的内...
  • ruixuntao
  • ruixuntao
  • 2014年05月12日 08:27
  • 2515

网站根目录下常用文件及代码

robots.txt是一个最简单的.txt文件,用以告诉搜索引擎哪些网页可以收录,哪些不允许收录。.htaccess文件提供了针对目录改变配置的方法,在一个特定的文档目录中放置一个包含一个或多个指令的...
  • qq_34648000
  • qq_34648000
  • 2016年10月24日 17:36
  • 380

爬取网站前1_解析网站robots.txt文件

使用爬虫爬取数据前,我们需要解析网站robots.txt文件,以避免下载禁止爬取的url。这项工作需要使用python3自带的urllib.robotparser模块 #使用爬虫爬取数据前,我们...
  • Pop_Rain
  • Pop_Rain
  • 2017年05月19日 09:56
  • 695

如何使用robots.txt及其详解

如何使用robots.txt 原文链接:http://www.cnblogs.com/yuzhongwusan/archive/2008/12/06/1348969.html 在国内,...
  • chenhualeguan
  • chenhualeguan
  • 2016年04月21日 11:10
  • 1442

robots.txt 不让搜索引擎收录网站的方法

有没有担心过自己的隐私会在强大的搜索引擎面前无所遁形?想象一下,如果要向世界上所有的人公开你的私人日记,你能接受吗?的确是很矛盾的问题,站长们大都忧虑“如何让搜索引擎收录的我的网站?”,而我们还是要研...
  • resilient
  • resilient
  • 2016年07月21日 14:31
  • 274

什么是robots.txt文件?

一.什么是robots.txt文件?   搜索引擎通过一种程序robot(又称spider),自动访问互联网上的网页并获取网页信息。   您可以在您的网站中创建一个纯文本文件robots.tx...
  • u010433704
  • u010433704
  • 2016年08月29日 09:50
  • 938

destoon 提示“请检查网站根目录下 license.txt“或”网站根目录license.txt不允许修改或删除”解决方法

switch($step) { case '1'://协议 $license = file_get_contents(DT_ROOT.'/license.txt'); $DT_LICENSE...
  • infers
  • infers
  • 2014年05月19日 09:49
  • 1894

网站robots.txt文件

提要:每当用户试图访问某个不存在的URL时,服务器都会在日志中记录404错误(无法找到文件)。每当搜索蜘蛛来寻找并不存在的robots.txt文件时,服务器也将在日志中记录一条404错误,所以你应该在...
  • u010472499
  • u010472499
  • 2017年05月04日 14:23
  • 177

robots.txt的详细写法

什么是robots.txt?   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...
  • for023
  • for023
  • 2014年04月09日 11:38
  • 1240

网络爬虫排除协议robots.txt介绍及写法详解.

以上内容转载自:www.xgezhang.com Robots协议的全称是“网络爬虫排除标准”(Robots Exclusion Protocol),它的功能是通过Robots文件告...
  • u014237185
  • u014237185
  • 2014年09月16日 16:31
  • 1776
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:Baidu上的一条免责申明和网站根目录Robots.txt文件的使用
举报原因:
原因补充:

(最多只允许输入30个字)