robots协议及写法

阅读量:2476

定义:Robots协议(也称为爬虫协议、机器人协议等)的全称是“网络爬虫排除标准”(RobotsExclusionProtocol),网站通过Robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取。


robots协议


robots协议简介

robots.txt文件是一个文本文件,使用任何一个常见的文本器,比如Windows系统自带的Notepad,就可以创建和它? 。robots.txt是一个协议,而不是一个命令。robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。

当一个搜索蜘蛛访问一个站点时,它会首先检查该站点根目录下是否存在robots.txt,如果存在,搜索机器人就会按照该文件中的内容来确定访问的范围;如果该文件不存在,所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。百度官方建议,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。

如果将网站视为酒店里的一个房间,robots.txt就是主人在房间门口悬挂的“请勿打扰”或“欢迎打扫”的提示牌。这个文件告诉来访的搜索引擎哪些房间可以进入和参观,哪些房间因为存放贵重物品,或可能涉及住户及访客的隐私而不对搜索引擎开放。但robots.txt不是命令,也不是防火墙,如同守门人无法阻止窃贼等恶意闯入者。


robots协议原则

robots协议原理 Robots协议是国际互联网界通行的道德规范,基于以下原则建立:

1、搜索技术应服务于人类,同时尊重信息提供者的意愿,并维护其隐私权;

2、网站有义务保护其使用者的个人信息和隐私不被侵犯。


robots协议功能

Robots协议用来告知搜索引擎哪些页面能被抓取,哪些页面不能被抓取;可以屏蔽一些网站中比较大的文件,如:图片,音乐,视频等,节省服务器带宽;可以屏蔽站点的一些死链接。方便搜索引擎抓取网站内容;设置网站地图连接,方便引导蜘蛛爬取页面。

robots协议文件写法

User-agent:*这里的*代表的所有的搜索引擎种类,*是一个通配符

Disallow:/admin/这里定义是禁止爬寻admin目录下面的目录

Disallow:/require/这里定义是禁止爬寻require目录下面的目录

Disallow:/ABC/这里定义是禁止爬寻ABC目录下面的目录

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

Disallow:/*?*禁止访问网站中所有包含问号(?)的网址

Disallow:/.jpg$禁止抓取网页所有的.jpg格式的图片

Disallow:/ab/adc.html禁止爬取ab文件夹下面的adc.html文件。

Allow:/cgi-bin/这里定义是允许爬寻cgi-bin目录下面的目录

Allow:/tmp这里定义是允许爬寻tmp的整个目录

Allow:.htm$仅允许访问以".htm"为后缀的URL。

Allow:.gif$允许抓取网页和gif格式图片

Sitemap:网站地图告诉爬虫这个页面是网站地图

robots协议文件用法

例1.禁止所有搜索引擎访问网站的任何部分

User-agent:*

Disallow:/

实例分析:淘宝网的Robots.txt文件

User-agent:Baiduspider

Disallow:/

User-agent:baiduspider

Disallow:/

很显然淘宝不允许百度的机器人访问其网站下其所有的目录。

例2.允许所有的robot访问(或者也可以建一个空文件“/robots.txt”file)

User-agent:*

Allow:/

例3.禁止某个搜索引擎的访问

User-agent:BadBot

Disallow:/

例4.允许某个搜索引擎的访问

User-agent:Baiduspider

allow:/

例5.一个简单例子

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,即搜索引擎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,而不要写成“Disallow:/cgi-bin//tmp/”。

User-agent:后的*具有特殊的含义,代表“anyrobot”,所以在该文件中不能有“Disallow:/tmp/*”or“Disallow:*.gif”这样的记录出现。

User-agent:*

Disallow:/cgi-bin/

Disallow:/tmp/

Disallow:/~joe/

Robot特殊参数:

允许Googlebot:

如果您要拦截除Googlebot以外的所有漫游器不能访问您的网页,可以使用下列语法:

User-agent:

Disallow:/

User-agent:Googlebot

Disallow:

Googlebot跟随指向它自己的行,而不是指向所有漫游器的行。

“Allow”扩展名:

Googlebot可识别称为“Allow”的robots.txt标准扩展名。其他搜索引擎的漫游器可能无法识别此扩展名,因此请使用您感兴趣的其他搜索引擎进行查找。“Allow”行的作用原理完全与“Disallow”行一样。只需列出您要允许的目录或页面即可。

您也可以同时使用“Disallow”和“Allow”。例如,要拦截子目录中某个页面之外的其他所有页面,可以使用下列条目:

User-agent:Googlebot

Allow:/folder1/myfile.html

Disallow:/folder1/

这些条目将拦截folder1目录内除myfile.html之外的所有页面。

如果您要拦截Googlebot并允许Google的另一个漫游器(如Googlebot-Mobile),可使用”Allow”规则允许该漫游器的访问。例如:

User-agent:Googlebot

Disallow:/

User-agent:Googlebot-Mobile

Allow:

使用*号匹配字符序列:

您可使用星号(*)来匹配字符序列。例如,要拦截对所有以private开头的子目录的访问,可使用下列条目:User-Agent:Googlebot

Disallow:/private*/

要拦截对所有包含问号(?)的网址的访问,可使用下列条目:

User-agent:*

Disallow:/*?*

使用$匹配网址的结束字符

您可使用$字符指定与网址的结束字符进行匹配。例如,要拦截以.asp结尾的网址,可使用下列条目:User-agent:Googlebot

Disallow:/*.asp$

您可将此模式匹配与Allow指令配合使用。例如,如果?表示一个会话ID,您可排除所有包含该ID的网址,确保Googlebot不会抓取重复的网页。但是,以?结尾的网址可能是您要包含的网页版本。在此情况下,可对robots.txt文件进行如下设置:

User-agent:*

Allow:/*?$

Disallow:/*?

Disallow:/*?

一行将拦截包含?的网址(具体而言,它将拦截所有以您的域名开头、后接任意字符串,然后是问号(?),而后又是任意字符串的网址)。

Allow:/*?$一行将允许包含任何以?结尾的网址(具体而言,它将允许包含所有以您的域名开头、后接任意字符串,然后是问号(?),问号之后没有任何字符的网址)。

尽管robots.txt已经存在很多年了,但是各大搜索引擎对它的解读都有细微差别。Google与百度都分别在自己的站长工具中提供了robots工具。如果您编写了robots.txt文件,建议您在这两个工具中都进行测试,因为这两者的解析实现确实有细微差别? 。

robots协议其它属性

1.Robot-version:用来指定robot协议的版本号

例子:Robot-version:Version2.0

2.Crawl-delay:雅虎YST一个特定的扩展名,可以通过它对我们的抓取程序设定一个较低的抓取请求频率。您可以加入Crawl-delay:xx指示,其中,“XX”是指在crawler程序两次进入站点时,以秒为单位的最低延时。

3.Visit-time:只有在visit-time指定的时间段里,robot才可以访问指定的URL,否则不可访问.

例子:Visit-time:0100-1300#允许在凌晨1:00到13:00访问

4.Request-rate:用来限制URL的读取频率

例子:Request-rate:40/1m0100-0759在1:00到07:59之间,以每分钟40次的频率进行访问

Request-rate:12/1m0800-1300在8:00到13:00之间,以每分钟12次的频率进行访问

robots协议标签

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标签也是放在页面中,专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。

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。

robots协议注意事项

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,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。


robots协议位置

robots.txt文件应该放置在网站根目录下。举例来说,当spider访问一个网站时,首先会检查该网站中是否存在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。

wordpress的robots位置

没有在wordpress网站根节目上传过robots.txt,当搜寻引擎和用户拜访某个文件时,wordpress程序会主动生成一个robots.txt给搜寻引擎和用户;若是我们上传编写的robots.txt到网站根节目,用户和搜寻引擎蛛蛛拜访的就是我们上传的文件,wordpress就不会再产生那个文件了。只有服务器找不到robots的时候wordpress才会生成这个文件。


robots协议产生

robots.txt并不是某一个公司制定的,而是早在20世纪93、94年就早已出现,当时还没有Google。真实Robots协议的起源,是在互联网从业人员的公开邮件组里面讨论并且诞生的。即便是今天,互联网领域的相关问题也仍然是在一些专门的邮件组中讨论,并产生(主要是在美国)。

1994年6月30日,在经过搜索引擎人员以及被搜索引擎抓取的网站站长共同讨论后,正式发布了一份行业规范,即robots.txt协议。在此之前,相关人员一直在起草这份文档,并在世界互联网技术邮件组发布后,这一协议被几乎所有的搜索引擎采用,包括最早的altavista,infoseek,后来的google,bing,以及中国的百度,搜搜,搜狗等公司也相继采用并严格遵循。

Robot,又称Spider,是搜索引擎自动获取网页信息的电脑程序的通称。Robots协议的核心思想就是要求Robot程序不要去检索那些站长们不希望被直接搜索到的内容。将约束Robot程序的具体方法规范成格式代码,就成了Robots协议。一般来说,网站是通过Robots.txt文件来实现Robots协议。

自有搜索引擎之日起,Robots协议已是一种目前为止最有效的方式,用自律维持着网站与搜索引擎之间的平衡,让两者之间的利益不致过度倾斜。它就像一个钟摆,让互联网上的搜索与被搜索和谐相处。

维基百科上描述的robots协议的最原始起源


robots协议影响

Robots协议是网站出于安全和隐私考虑,防止搜索引擎抓取敏感信息而设置的。搜索引擎的原理是通过一种爬虫spider程序,自动搜集互联网上的网页并获取相关信息。而鉴于网络安全与隐私的考虑,每个网站都会设置自己的Robots协议,来明示搜索引擎,哪些内容是愿意和允许被搜索引擎收录的,哪些则不允许。搜索引擎则会按照Robots协议给予的权限进行抓取。

Robots协议代表了一种契约精神,互联网企业只有遵守这一规则,才能保证网站及用户的隐私数据不被侵犯。违背Robots协议将带来巨大安全隐忧——此前,曾经发生过这样一个真实的案例:国内某公司员工郭某给别人发了封求职的电子邮件,该Email存储在某邮件服务公司的服务器上。因为该网站没有设置robots协议,导致该Email被搜索引擎抓取并被网民搜索到,为郭某的工作生活带来极大困扰。

如今,在中国国内互联网行业,正规的大型企业也都将Robots协议当做一项行业标准,国内使用Robots协议最典型的案例,就是淘宝网拒绝百度搜索、京东拒绝一淘搜索。不过,绝大多数中小网站都需要依靠搜索引擎来增加流量,因此通常并不排斥搜索引擎,也很少使用Robots协议。

北京市汉卓律师事务所首席律师赵虎表示,Robots协议是维护互联网世界隐私安全的重要规则。如果这种规则被破坏,对整个行业就是灭顶之灾。


robots协议搜索引擎

百度对robots.txt是有反应的,但比较慢,在减少禁止目录抓取的同时也减少了正常目录的抓取。

原因应该是入口减少了,正常目录收录需要后面再慢慢增加。

Google对robots.txt反应很到位,禁止目录马上消失了,部分正常目录收录马上上升了。/comment/目录收录也下降了,还是受到了一些老目标减少的影响。

搜狗抓取呈现普遍增加的均势,部分禁止目录收录下降了。

总结一下:Google似乎最懂站长的意思,百度等其它搜索引擎只是被动的受入口数量影响了。

robots协议淘宝封杀

2008年9月8日,淘宝网宣布封杀百度爬虫,百度忍痛遵守爬虫协议。因为一旦破坏协议,用户的隐私和利益就无法得到保障,搜索网站就谈不到人性关怀。

robots协议京东封杀

2011年10月25日,京东商城正式将一淘网的搜索爬虫屏蔽,以防止一淘网对其的内容抓取。


robots协议违反事例

robots协议BE违规抓取eBay

在12年前,美国加州北部的联邦地方法院就在著名的eBayVS.Bidder'sEdge案中(NO.C-99-21200RMW,2000U.SDist.LEXI7282),引用robots协议对案件进行裁定。Bidder'sEdge(简称BE)成立于1997年,是专门提供拍卖信息的聚合网站。12年前,BE利用“蜘蛛”抓取来自eBay等各个大型拍卖网站的商品信息,放在自己的网站上供用户浏览,并获得可观的网站流量。

对于eBay来说,来自BE蜘蛛每天超过十万次的访问,给自己的服务器带来了巨大的压力。而虽然eBay早已设置了robots协议禁止BE蜘蛛的抓取,但BE却无视这个要求——原因很简单,据估算,BE网站69%的拍卖信息都来自eBay,如果停止抓取eBay内容,这意味着BE将损失至少三分之一的用户。

数次沟通交涉未果后,2000年2月,忍无可忍的eBay终于一纸诉状,将BE告上联邦法庭,要求禁止BE的违规抓取行为。3个月后,受理此案的美国联邦法官RonaldM.Whyte在经过多方调查取证后做出裁定,认定BE侵权成立,禁止了BE在未经eBay允许的情况下,通过任何自动查询程序、网络蜘蛛等设置抓取eBay的拍卖内容。

在当时的庭审中,双方争议的焦点主要集中在“网站是否有权设置robots协议屏蔽其他网站蜘蛛的抓取”。被告BE认为,eBay的网站内容属于网民自创,因此是公共资源,eBay无权设立robots协议进行限制。然而,法院对这一说辞却并不认同。在法官看来:“eBay的网站内容属于私有财产,eBay有权通过robots协议对其进行限制。”违规抓取的行为无异于“对于动产的非法侵入”。

也正是出于这一判断,即使当年BE还只是搜索了eBay计算机系统里的一小部分数据,其违反robots协议的抓取行为,仍然被判为侵犯了eBay将别人排除在其计算机系统以外的基本财产权。

作为美国历史上第一个保护互联网信息内容的法律裁定,eBay与BE的这起纠纷,成为网络侵权案的标志性案例,并在当时引发了美国互联网产业乃至社会的广泛讨论。SearchEngineWatch的知名专栏作家DannySullivan曾专门在文章中指出,robots协议是规范搜索引擎爬虫行为的极少数约定之一,理应遵守,它不仅仅让整个互联网的开放性变成可能,最终也让整个互联网用户受益。

文章热搜

官方客服 028-61355202
友情链接

微信公众号

微信小程序

© 2020 dxm.so 《中华人民共和国增值电信业务经营许可证》编号: 川B2-20170249号 ICP证: 蜀ICP备14008752号-7 四川省成都市青羊区光华北三路98号光华中心D栋1609