robots协定 _生活百科

文章插图
robots协定【robots协定】Robots协定（也称为爬虫协定、机器人协定等）的全称是“网路爬虫排除标準”（Robots Exclusion Protocol），网站通过Robots协定告诉搜寻引擎哪些页面可以抓取，哪些页面不能抓取。
简介robots.txt档案是一个文本档案，使用任何一个常见的文本编辑器，比如Windows系统自带的Notepad，就可以创建和编辑它。robots.txt是一个协定，而不是一个命令。robots.txt是搜寻引擎中访问网站的时候要查看的第一个档案。robots.txt档案告诉蜘蛛程式在伺服器上什幺档案是可以被查看的。当一个搜寻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，搜寻机器人就会按照该档案中的内容来确定访问的範围；如果该档案不存在，所有的搜寻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寻引擎收录的内容时，才需要使用robots.txt档案。如果您希望搜寻引擎收录网站上所有内容，请勿建立robots.txt档案。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。这个档案告诉来访的搜寻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寻引擎开放。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。原则Robots协定是国际网际网路界通行的道德规範，基于以下原则建立：

文章插图
robots协定原理1、搜寻技术应服务于人类，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。功能Robots协定用来告知搜寻引擎哪些页面能被抓取，哪些页面不能被抓取；可以禁止一些网站中比较大的档案，如：图片，音乐，视频等，节省伺服器频宽；可以禁止站点的一些死连结。方便搜寻引擎抓取网站内容；设定网站地图连线，方便引导蜘蛛爬取页面。档案写法User-agent: * 这里的*代表的所有的搜寻引擎种类，*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资料夹下面的adc.html档案。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档案用法例1. 禁止所有搜寻引擎访问网站的任何部分User-agent: *Disallow: /实例分析：淘宝网的 Robots.txt档案User-agent: BaiduspiderDisallow: /User-agent: baiduspiderDisallow: /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档案 “/robots.txt” file)User-agent: *Allow:　/例3. 禁止某个搜寻引擎的访问User-agent: BadBotDisallow: /例4. 允许某个搜寻引擎的访问User-agent: Baiduspiderallow:/例5.一个简单例子在这个例子中，该网站有三个目录对搜寻引擎的访问做了限制，即搜寻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“any robot”，所以在该档案中不能有“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: GooglebotDisallow: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 标準扩展名。其他搜寻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寻引擎进行查找。“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: GooglebotAllow: /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: GooglebotDisallow: /User-agent: Googlebot-MobileAllow:使用 * 号匹配字元序列：您可使用星号 (*) 来匹配字元序列。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: GooglebotDisallow: /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 $ 匹配网址的结束字元您可使用 $字元指定与网址的结束字元进行匹配。例如，要拦截以 .asp 结尾的网址，可使用下列条目：　User-agent: GooglebotDisallow: /*.asp$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 不会抓取重複的网页。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 档案进行如下设定：User-agent: *Allow: /*?$Disallow: /*?Disallow: / *?一行将拦截包含 ? 的网址（具体而言，它将拦截所有以您的域名开头、后接任意字元串，然后是问号 (?)，而后又是任意字元串的网址）。Allow: /*?$ 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、后接任意字元串，然后是问号 (?)，问号之后没有任何字元的网址）。儘管robots.txt已经存在很多年了，但是各大搜寻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档案，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。其它属性1. Robot-version: 用来指定robot协定的版本号例子: Robot-version: Version 2.02.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式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程式两次进入站点时，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: 40/1m 0100 - 0759 在1:00到07:59之间,以每分钟40次的频率进行访问Request-rate: 12/1m 0800 - 1300 在8:00到13:00之间,以每分钟12次的频率进行访问标籤Robots.txt档案主要是限制整个站点或者目录的搜寻引擎访问情况，而Robots Meta标籤则主要是针对一个个具体的页面。和其他的META标籤（如使用的语言、页面的描述、关键字等）一样，Robots Meta标籤也是放在页面中，专门用来告诉搜寻引擎ROBOTS如何抓取该页的内容。Robots Meta标籤中没有大小写之分，name=”Robots”表示所有的搜寻引擎，可以针对某个具体搜寻引擎写为name=”BaiduSpider” 。content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。index指令告诉搜寻机器人抓取该页面；follow指令表示搜寻机器人可以沿着该页面上的连结继续抓取下去；Robots Meta标籤的预设值是index和follow，只有inktomi除外，对于它，预设值是index、nofollow 。注意事项上述的robots.txt和Robots Meta标籤限制搜寻引擎机器人（ROBOTS）抓取站点内容的办法只是一种规则，需要搜寻引擎机器人的配合才行，并不是每个ROBOTS都遵守的。目前看来，绝大多数的搜寻引擎机器人都遵守robots.txt的规则，而对于Robots　META标籤，支持的并不多，但是正在逐渐增加，如着名搜寻引擎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。位置robots.txt档案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这个档案，如果 Spider找到这个档案，它就会根据这个档案的内容，来确定它访问许可权的範围。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档案时，wordpress程式会主动生成一个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档案，wordpress就不会再产生那个档案了。只有伺服器找不到robots的时候wordpress才会生成这个档案。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协定的起源，是在网际网路从业人员的公开邮件组里面讨论并且诞生的。即便是今天，网际网路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，在经过搜寻引擎人员以及被搜寻引擎抓取的网站站长共同讨论后，正式发布了一份行业规範，即robots.txt协定。在此之前，相关人员一直在起草这份文档，并在世界网际网路技术邮件组发布后，这一协定被几乎所有的搜寻引擎採用，包括最早的altavista，infoseek，后来的google，bing，以及中国的百度，搜搜，搜狗等公司也相继採用并严格遵循。Robot，又称Spider，是搜寻引擎自动获取网页信息的电脑程式的通称。Robots协定的核心思想就是要求Robot程式不要去检索那些站长们不希望被直接搜寻到的内容。将约束Robot程式的具体方法规範成格式代码，就成了Robots协定。一般来说，网站是通过Robots.txt档案来实现Robots协定。自有搜寻引擎之日起，Robots协定已是一种目前为止最有效的方式，用自律维持着网站与搜寻引擎之间的平衡，让两者之间的利益不致过度倾斜。它就像一个钟摆，让网际网路上的搜寻与被搜寻和谐相处。