jquery抓取网页内容( ,前端资源1.什么是robots.txt文件搜索引擎教程)

　　jquery抓取网页内容(

,前端资源1.什么是robots.txt文件搜索引擎教程)

　　robots.txt 如何禁止搜索引擎抓取

　　2013-3-3 分类：seo文章、wordpress教程、前端资源

　　1.robots.txt 文件是什么

　　搜索引擎使用蜘蛛程序自动访问互联网上的网页并获取网页信息。当蜘蛛访问一个网站时，它会首先检查网站的根域下是否有一个名为robots.txt的纯文本文件。这个文件是用来指定蜘蛛在你的网站 爬取范围上的。您可以在您的网站中创建一个robots.txt，并在文件中声明网站中不想被搜索引擎收录搜索的部分或指定那个搜索引擎只是收录的特定部分。

　　请注意，只有当您的 网站 收录您不想被 收录 搜索的内容时，您才需要使用 robots.txt 文件。如果您想要搜索引擎收录网站 上的所有内容，请不要创建robots.txt 文件。

　　2.robots.txt文件在哪里

　　robots.txt文件应该放在网站的根目录下。例如，当蜘蛛访问一个网站（例如）时，它会首先检查网站中是否存在该文件。如果蜘蛛找到该文件，它会根据文件的内容确定其访问权限的范围。

　　网站网址

　　对应robots.txt的URL

　　:80/

　　:80/robots.txt

　　: 1234/

　　:1234/robots.txt

　　3.我在robots.txt中设置了禁止百度收录我网站，为什么它仍然出现在百度搜索结果中？

　　如果您的robots.txt文件中设置了禁止收录的其他网站链接，这些网页可能仍会出现在百度的搜索结果中，但您网页上的内容将不会被抓取，索引和显示，百度搜索结果中显示的只是您相关网页的其他网站描述。

　　4.禁止搜索引擎跟踪网页链接，只索引网页

　　如果您不希望搜索引擎跟踪此页面上的链接并且不传递链接的权重，请将此元标记放在页面的

　　部分：

　　如果您不想让百度跟踪特定链接，百度也支持更精确的控制，请直接在链接上写上这个标记：

　　登入

　　要允许其他搜索引擎跟踪，但只阻止百度跟踪指向您页面的链接，请将此元标记放在页面的一部分中：

　　5.禁止搜索引擎在搜索结果中显示网页快照，只能索引网页

　　为防止所有搜索引擎显示您的 网站 快照，请将此元标记放在页面的

　　部分：

　　要允许其他搜索引擎显示快照，但只阻止百度显示，请使用以下标签：

　　注意：此标签仅禁止百度显示网页快照。百度将继续对网页进行索引，并在搜索结果中显示网页摘要。

　　6.我要禁止百度图片搜索收录一些图片，如何设置

　　禁止百度蜘蛛抓取网站上的所有图片，禁止或允许百度蜘蛛抓取网站上特定格式的图片文件可以通过设置robots实现，请参考“robots.txt文件使用示例”示例10、11、12。

　　7.Robots.txt 文件格式

　　“robots.txt”文件收录一条或多条记录，以空行分隔（以CR、CR/NL或NL为终止符）。每条记录的格式如下：

　　":"

　　可以在这个文件中使用#做注释，具体用法同UNIX中的约定。此文件中的记录通常以一行或多行 User-agent 开头，后跟几行 Disallow 和 Allow 行。详细情况如下：

　　User-agent：此项的值用于描述搜索引擎机器人的名称。在“robots.txt”文件中，如果有多个User-agent记录，表示多个robots会被“robots.txt”限制。对于此文件，必须至少有一个用户代理记录。如果此项的值设置为*，则对任何机器人都有效。在“robots.txt”文件中，只能有“User-agent:*”这样的一条记录。如果在“robots.txt”文件中添加“User-agent: SomeBot”和几行禁止和允许行，则名称“SomeBot”仅受“User-agent: SomeBot”后的禁止和允许行限制。

　　Disallow：此项的值用于描述一组不想被访问的 URL。该值可以是完整路径或路径的非空前缀。机器人不会访问以 Disallow 项的值开头的 URL。例如，“Disallow:/help”禁止机器人访问/help.html、/helpabc.html、/help/index.html，而“Disallow:/help/”则允许机器人访问/help.html、/helpabc。 html，但不是访问 /help/index.html。“Disallow:”表示允许机器人访问网站的所有URL，并且“/robots.txt”文件中必须至少有一条Disallow记录。如果“/robots.txt”不存在或者是一个空文件，这个网站 对所有搜索引擎机器人都是开放的。

　　允许：此项的值用于描述一组您希望访问的 URL。与 Disallow 项类似，该值可以是完整路径或路径前缀。以 Allow 项的值开头的 URL 允许机器人访问。例如，“Allow:/hibaidu”允许机器人访问/hibaidu.htm、/hibaiducom.html、/hibaidu/com.html。网站 的所有 URL 默认都是 Allow 的，所以 Allow 通常与 Disallow 结合使用，允许访问某些网页，同时禁止访问所有其他 URL。

　　使用“*”和“$”：

　　百度蜘蛛支持使用通配符“*”和“$”来模糊匹配URL。

　　"$" 匹配行尾。

　　“*”匹配 0 个或多个任意字符。

　　注：我们将严格遵守机器人的相关协议。请注意区分您不想被抓取的目录或收录 的情况。我们会处理robots中写入的文件，你不想被爬取和收录的目录做精确匹配，否则robots协议不会生效。

　　8.URL 匹配示例

　　允许或禁止值

　　网址

　　比赛结果

　　/tmp

　　/tmp

　　是的

　　/tmp

　　/tmp.html

　　是的

　　/tmp

　　/tmp/a.html

　　是的

　　/tmp

　　/tmhoho

　　不

　　/你好*

　　/你好.html

　　是的

　　/He*lo

　　/你好，哈哈

　　是的

　　/堆*lo

　　/你好，哈哈

　　不

　　html$

　　/tmpa.html

　　是的

　　/a.html$

　　/a.html

　　是的

　　htm$

　　/a.html

　　不

　　9.Robots.txt 文件使用示例

　　示例 1. 禁止所有搜索引擎访问 网站 的任何部分

　　用户代理：*

　　不允许：/

　　示例 2. 允许所有机器人访问

　　（或者你可以创建一个空文件“/robots.txt”）

　　用户代理：*

　　允许：/

　　示例 3. 仅禁止百度蜘蛛访问您的 网站

　　用户代理：百度蜘蛛

　　不允许：/

　　示例 4. 只允许百度蜘蛛访问您的 网站

　　用户代理：百度蜘蛛

　　允许：/用户代理：*

　　不允许：/

　　示例 5. 只允许百度蜘蛛和谷歌机器人访问

　　用户代理：百度蜘蛛

　　允许：/用户代理：Googlebot

　　允许：/

　　用户代理：*

　　不允许：/

　　示例 6. 禁止蜘蛛访问特定目录

　　本例中网站有3个目录限制搜索引擎访问，即robot不会访问这3个目录。需要注意的是，每个目录必须单独声明，不能写成“Disallow:/cgi-bin//tmp/”。

　　用户代理：*

　　禁止：/cgi-bin/

　　禁止：/tmp/

　　禁止：/~joe/

　　示例 7. 允许访问特定目录中的某些 URL

　　用户代理：*

　　允许：/cgi-bin/见

　　允许：/tmp/hi

　　允许：/~joe/look

　　禁止：/cgi-bin/

　　禁止：/tmp/

　　禁止：/~joe/

　　示例 8. 使用“*”限制对 url 的访问

　　禁止访问/cgi-bin/目录下所有后缀为“.htm”的URL（包括子目录）。

　　用户代理：*

　　禁止：/cgi-bin/*.htm

　　示例 9. 使用“$”限制对 url 的访问

　　只允许访问带有“.htm”后缀的 URL。

　　用户代理：*

　　允许:/*.htm$

　　不允许：/

　　示例1 0.禁止访问网站中的所有动态页面

　　用户代理：*

　　不允许：/*？*

　　示例1 1.禁止百度蜘蛛抓取网站上的所有图片

　　只允许抓取网页，不允许抓取图片。

　　用户代理：百度蜘蛛

　　禁止：/*.jpg$

　　禁止：/*.jpeg$

　　禁止：/*.gif$

　　禁止：/*.png$

　　禁止：/*.bmp$

　　示例1 2.只允许百度蜘蛛抓取.gif格式的网页和图片

　　允许抓取网页和gif格式的图片，但不允许抓取其他格式的图片

　　用户代理：百度蜘蛛

　　允许：/*.gif$

　　禁止：/*.jpg$

　　禁止：/*.jpeg$

　　禁止：/*.png$

　　禁止：/*.bmp$

　　示例1 3. 只禁止百度蜘蛛抓取.jpg格式的图片

　　用户代理：百度蜘蛛

　　禁止：/*.jpg$