更多精彩内容,请访问云邮科技官方网站:
现在位置:首页 » 安全技术 »

如何屏蔽搜索引擎的蜘蛛抓取

作者:山坛兄弟 ⁄ 时间:2013年06月22日 ⁄ 分类: 安全技术 评论:0 一、创建robots.txt文本。
     robots.txt文本的文件应该同时包含2个域,“User-agent:”和“Disallow:”,每条指令独立一行。
     1.User-agent:
     指定允许抓取的蜘蛛,如给出参数,只有指定的蜘蛛能够抓取;如果值为通配符“*”号,代表允许所有蜘蛛抓取。如:
     User-agent: Googlebot*,表示只允许Google的蜘蛛抓取;
     User-agent: *,则表示允许所有蜘蛛抓取。
     注意:User-agent必须出现在第一行(有意义的行,注释除外),用以首先声明用户代理。
     2.Disallow:
     指定禁止蜘蛛抓取的目录或文件,如:
     Disallow: /help.php,表示禁止抓取根目录下help.php文件;
     Disallow: /admin/,表示禁止抓取根目录下的admin子目录中任何内容;
     Disallow:,值为空时,表示不限制,蜘蛛可以抓取站内任何内容。
     Disallow: /,表示禁止蜘蛛抓取根目录下的所有内容。
     如果需要指定多个目录或文件,可以用多个“Disallow: 文件或目录名”来指定,但必须每一项单独一行。
     二、robots Meta标签。
     robots.txt是放在网站中,文件级的网络蜘蛛授权;而robots Meta标签是放在网页中,用于部分网页需要单独设置的情况,两者的功能是一样的。
     Meta robots标签必须放在<head>和</head>之间,格式:
     <meta name=”robots” content=”index,follow” />
     content中的值决定允许抓取的类型,必须同时包含两个值:是否允许索引(index)和是否跟踪链接(follow,也可以理解为是否允许沿着网页中的超级链接继续抓取)。共有4个参数可选,组成4个组合:
     index,follow:允许抓取本页,允许跟踪链接。 
     index,nofollow:允许抓取本页,但禁止跟踪链接。 
     noindex,follow:禁止抓取本页,但允许跟踪链接。 
     noindex,nofllow:禁止抓取本页,同时禁止跟踪本页中的链接。 
     以上第一条和第四条还有另一种写法:
     index,follow可以写成all,如:
     <meta name=”robots” content=”all” />
     noindex,nofollow可以写成none,如:
     <meta name=”robots” content=”none” />
     需要注意的是,很多搜索引擎是不支持robots Meta标签的,只有少数搜索引擎能够识别并按给定的值抓取。所以,建议您尽可能的使用robots.txt文件来限制抓取。
本文由山坛兄弟原创或编辑,转载请保留链接【如何屏蔽搜索引擎的蜘蛛抓取】http://flagpatternmaker.com/safety/29.html 上一篇: 网站相关名词解释
下一篇:利用ASP正则提取文章里面的图片的有效的src地
目前有 0 条评论