robots协议

obots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”(Robots Exclusion Protocol)

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.txt是什么?

robots.txt文件是一个文本文件,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。

具体的写法呢:(Robots Exclusion Protocol)

  • 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

简单的完全拒绝搜索引擎收录

1.第一种办法:编写一个robots.txt内容如下

User-agent: *
Disallow: /

然后上传至Web根目录下

2. 第二种办法:编写一个META标签

<meta name="robots" content="noindex,nofollow">
<!--禁止搜索引擎收录该网站,禁止索引>
文章目录