如何禁止搜索引擎收录?

Web前端 新民 1377℃ 已收录 0评论

有的时候,站长并不希望某些页被抓取和收录,如付费内容、还在测试阶段的页面、复制内容页面等。网站上不出现连接,或者使用JavaScript、Flash链接,使用nofollow等方法都不能保证页面一定不被收录。站长自己虽然没有链接到不想被收录的页面,其他网购可能由于某种原因出现导入链接,导致页面被收录。

要确保页面不被收录,需要使用robots文件或Meta Robots标签。

 

Robots文件

搜索引擎蜘蛛访问网站时,会先查看网站根目录下有没有一个命名为robots.txt的纯文本文件,robots.txt用于指令搜索引擎禁止抓取网站某些内容或指定允许抓取某些内容。如百度的robots文件位于:

http://www.xmiis.net/robots.txt

只有在需要禁止抓取某些内容时,写robots.txt才有意义。Robots文件不存在或者是空文件都意味着允许搜索引擎抓取所有内容。有的服务器设置有问题。Robots文件不存在时会返回200状态码及一些错误信息,而不是404状态码,这有可能使搜索错误解读robots文件信息,所有建议就算允许抓取所有内容,也要建一个空的robots.txt文件,放在根目录下。

Robots文件由记录组成,记录之间以空行分开。记录格式为:

< 域>:<可选空格><域值>可选空格

最简单的robots文件:
User-agent:*
Disallow:/

上面这个robots文件禁止所有搜索引擎任何内容。

User-agent:指定下面的规则适用于那个蜘蛛。通配符* 代表所有搜索引擎。只适用于百度蜘蛛则用:

User-agent:Baiduspider

只适用于Google蜘蛛则用:
User-agent:Googlebot
Disallow:告诉蜘蛛不要抓取某些文件或目录。例如下面的代码将组织所有蜘蛛抓取/cgi-bin/和/tmp两个目录下的内容及文件/aa/index.html:
User-agent:*
Disallow:/cgi-bin/
Disallow:/tmp/
Disallow:/aa/index.html
Disallow:禁止的目录或文件必须分开写,每个一行,不能写成:
Disallow:/cgi-bin/ /tmp/ /aa/index.html

下面的指令相当于允许所有搜索引擎抓取任何内容:
User-agent:*
Disallow:

下面的代码禁止除百度外的所有搜索引擎抓取任何内容:
User-agent:Baiduspider
Disallow:
User-agent:*
Disallow:/
Allow:告诉蜘蛛应该抓取某些文件。由于不指定就是允许抓取,Allow:单独写没有意义,Allow和Disallow配合使用,可以告诉蜘蛛某个目录下大部分不允许抓取,只允许抓取一部分。例如,下面的代码将使蜘蛛不抓取/ab/目录下其他目录和文件,但允许抓取其中/cd/目录下的内容:

User-agent:*

Disallow:/ab/

Allow:/ab/cd/

$通配符:匹配URL结尾的字符。例如,下面一段代码将禁止蜘蛛抓取所有html文件:

User-agent:*

Disallow:/ .html$

下面的代码将禁止百度抓取所有.jpg文件:

User-agent:Baiduspider

Disallow:.jpg$

*通配符:告诉蜘蛛匹配任意一段字母。例如,下面一段代码将禁止蜘蛛抓取所有html文件

User-agent:*

Disallow:/*.html

Sitemaps位置:告诉蜘蛛XML网站地图在哪里,格式为:

Sitemap:<网站地图位置>

主流搜索引擎都遵守robots文件指令,robots.txt禁止抓取的文件搜索引擎将不访问不抓取。但要注意的是,被robots文件禁止抓取的URL还是可能出现在搜索结果中。只要有导入链接执行这个URL,搜索引擎就指定这个URL的存在,虽然不会抓取页面内容,但是可能以下几种形式显示在搜索结果中:

只显示URL,没有标题、描述。Google常这样处理。

显示开放目录或雅虎等重要目录收录的标题和描述。

导入链接的锚文字显示为标题和描述。百度常这样处理。

要想使用URL完全不出现在搜索结果中,需要使用页面上的meta robots标签。

 

Meta
robots
标签

Meta robots标签是页面head部分meta标签的一种,用于指令搜索引擎禁止索引本页内容。

最简单的meta robots标签格式为:

<meta name=”robots”
content=”noindex,nofollow”>

上面标签的意义是禁止所有搜索引擎索引本页面,禁止跟着本页面上的链接。

Google、必应、雅虎都支持的meta robots标签如下。

NoIndex:告诉蜘蛛不要索引本页面。

NoFollow:告诉蜘蛛不要跟踪本页面上的链接。

NoSnippet:告诉搜索引擎不要在搜索结果中显示说明文字。

NoArchive:告诉搜索引擎不要显示快照。

NoODP:告诉搜索引擎不要使用开放目录中的标题和说明。

百度的官方说法是目前只支持NoFollow和NoArchive。

meta robots 标签内容可以写在一起,以逗号间隔,中间可以有空格,也可以没有。多个meta
robots内容也可以写成不同标签。

<METANAME=”ROBOTS” CONTENT=”NOINDEX”>

<METANAME=”ROBOTS” CONTENT=”NOFOLLOW”>

与下面这个是一样的:

<METANAME=”ROBOTS” CONTENT=”NOINDEX”>

<METANAME=”ROBOTS” CONTENT=”NOFOLLOW”>

与下面这个是一样的:

<METANAME=”ROBOTS” CONTENT=”NOINDEX,NOFOLLOW”>

meta robots 标签不区分大小写。

只有禁止索引时,使用meta robots才有意义。以下这个标签:

<METANAME=”ROBOTS” CONTENT=”INDEX,FOLLOW”>

是没有意义的,等于没写。普通需要被收录、索引,链接需要被跟踪的页面,不用写meta rotbots标签。

这个标签有时会用到:

<meta name=”robots”
content=”noindex”>

效果是禁止索引本页面,但允许蜘蛛跟踪页面上的链接,也可以传递权重。

使用了noindex meta robots 标签的页面会被抓取,但不会被索引,页面URL不会出现在搜索结果中,这一点与robots文件不同。

本站文章如未注明,均为原创丨本网站采用BY-NC-SA协议进行授权,转载请注明转自:https://www.snowruin.com/?p=994
喜欢 (0)or分享 (0)
发表我的评论
取消评论
表情 代码 贴图 加粗 链接 私信 删除线 签到

Hi,请填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址