PHP开发笔记 - Powered by Discuz! Board

标题: 教你robots文件使用方法屏蔽搜索抓取方法 [打印本页]

作者: xiexie 时间: 2012-2-10 13:21 标题: 教你robots文件使用方法屏蔽搜索抓取方法

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。robots.txt文件应该放在网站根目录下。
当一个搜索机器人（有的叫搜索蜘蛛）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，那么搜索机器人就沿着链接抓取。
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。
robots.txt文件用法举例：
例1. 禁止所有搜索引擎访问网站的任何部分下载该robots.txt文件 User-agent： * Disallow： /
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： *Disallow：
例3. 禁止某个搜索引擎的访问 User-agent： BadBotDisallow： /
例4. 允许某个搜索引擎的访问 User-agent： baiduspiderDisallow： User-agent： *Disallow： /
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”any robot”，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：
1. Google
允许 Googlebot：
如果您要拦截除 Googlebot 以外的所有漫游器访问您的网页，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
Disallow:/folder1/
Allow:/folder1/myfile.html
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）。
Sitemap 网站地图：
对网站地图的新的支持方式，就是在robots.txt文件里直接包括sitemap文件的链接。
就像这样：
Sitemap： http://www.eastsem.com/sitemap.xml
目前对此表示支持的搜索引擎公司有Google， Yahoo， Ask and MSN。
不过，我建议还是在Google Sitemap 进行提交，里面有很多功能可以分析你的链接状态。

作者: xiexie 时间: 2012-2-10 13:22

Robots.txt带来的好处：

1. 几乎所有的搜索引擎Spider都遵循robots.txt给出的爬行规则，协议规定搜索引擎Spider进入某个网站的入口即是该网站的 robots.txt，当然，前提是该网站存在此文件。对于没有配置robots.txt的网站，Spider将会被重定向至404 错误页面，相关研究表明，如果网站采用了自定义的404错误页面，那么Spider将会把其视作robots.txt??虽然其并非一个纯粹的文本文件 ??这将给Spider索引网站带来很大的困扰，影响搜索引擎对网站页面的收录。

2. robots.txt可以制止不必要的搜索引擎占用服务器的宝贵带宽，如email retrievers，这类搜索引擎对大多数网站是没有意义的；再如image strippers，对于大多数非图形类网站来说其也没有太大意义，但却耗用大量带宽。

3. robots.txt可以制止搜索引擎对非公开页面的爬行与索引，如网站的后台程序、管理程序，事实上，对于某些在运行中产生临时页面的网站来说，如果未配置robots.txt，搜索引擎甚至会索引那些临时文件。

4. 对于内容丰富、存在很多页面的网站来说，配置robots.txt的意义更为重大，因为很多时候其会遭遇到搜索引擎Spider给予网站的巨大压力：洪水般的Spider访问，如果不加控制，甚至会影响网站的正常访问。

5. 同样地，如果网站内存在重复内容，使用robots.txt限制部分页面不被搜索引擎索引和收录，可以避免网站受到搜索引擎关于 duplicate content的惩罚，保证网站的排名不受影响。

robots.txt带来的风险及解决：

1. 凡事有利必有弊，robots.txt同时也带来了一定的风险：其也给攻击者指明了网站的目录结构和私密数据所在的位置。虽然在Web服务器的安全措施配置得当的前提下这不是一个严重的问题，但毕竟降低了那些不怀好意者的攻击难度。

比如说，如果网站中的私密数据通过www.yourdomain.com/private/index.html 访问，那么，在robots.txt的设置可能如下：

User-agent： *

Disallow： /private/

这样，攻击者只需看一下robots.txt即可知你要隐藏的内容在哪里，在浏览器中输入www.yourdomain.com/private/ 便可访问我们不欲公开的内容。对这种情况，一般采取如下的办法：

设置访问权限，对/private/中的内容实施密码保护，这样，攻击者便无从进入。

另一种办法是将缺省的目录主文件index.html更名为其他，比如说abc-protect.html，这样，该内容的地址即变成 www.yourdomain.com/private/abc-protect.htm，同时，制作一个新的index.html文件，内容大致为“你没有权限访问此页”之类，这样，攻击者因不知实际的文件名而无法访问私密内容。

2. 如果设置不对，将导致搜索引擎将索引的数据全部删除。

User-agent： *

Disallow： /

上述代码将禁止所有的搜索引擎索引数据。

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。

欢迎光临 PHP开发笔记 (http://phpvi.com/)