允许及屏蔽搜索引擎 robots.txt的利与弊！

网络推手 · 发表于 2010-2-24 09:32:33

在百度、谷歌搜索引擎，输入“robots.txt”关键词，网上都有不少介绍，都是关于他们的使用技巧及用法的，那么我在这里也谈谈它的弊端！

在国内，网站管理者似乎对robots.txt并没有引起多大重视，今天顺便简单谈一下robots.txt的写作。

robots.txt基本介绍

robots.txt是一个纯文本文件，在这个文件中网站管理者可以声明该网站中不想被robots访问的部分，或者指定搜索引擎只收录指定的内容。

当一个搜索机器人（或叫搜索蜘蛛）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。

另外，robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。

robots.txt的书写语法

首先，我们来看一个robots.txt范例，如：http://www.99seo.cn/robots.txt（这个文件我删除了）。

以上地址robots.txt的具体内容如下：
# Robots.txt file from http://www.99seo.cn
# All robots will spider the domain
User-agent: *
Disallow:
以上文本表达的意思是允许所有的搜索机器人访问www.99seo.cn站点下的所有文件。

语法分析：其中#后面文字为说明信息；User-agent:后面为搜索机器人的名称，后面如果是*，则泛指所有的搜索机器人；Disallow:后面为不允许访问的文件目录。

下面，我将列举一些robots.txt的具体用法：

允许所有的robot访问
User-agent: *
Disallow:
或者也可以建一个空文件 "/robots.txt" file
禁止所有搜索引擎访问网站的任何部分
User-agent: *
Disallow: /
禁止所有搜索引擎访问网站的几个部分（下例中的01、02、03目录）

User-agent: *
Disallow: /01/
Disallow: /02/
Disallow: /03/
禁止某个搜索引擎的访问（下例中的nndjj）

User-agent: nndjj
Disallow: /
只允许某个搜索引擎的访问（下例中的Crawler）

User-agent: Crawler
Disallow:

User-agent: *
Disallow: /
另外，也有必要进行拓展说明，对robots meta进行一些介绍：

Robots META标签则主要是针对一个个具体的页面。和其他的META标签（如使用的语言、页面的描述、关键词等）一样，Robots META标签也是放在页面的<head></head>中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。

Robots META标签的写法：

Robots META标签中没有大小写之分，name=”Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=”BaiduSpider”。 content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。

INDEX 指令告诉搜索机器人抓取该页面；

FOLLOW 指令表示搜索机器人可以沿着该页面上的链接继续抓取下去；

Robots Meta标签的缺省值是INDEX和FOLLOW，只有inktomi除外，对于它，缺省值是INDEX,NOFOLLOW。

这样，一共有四种组合：
<META NAME="ROBOTS" CONTENT="INDEX,FOLLOW">
<META NAME="ROBOTS" CONTENT="NOINDEX,FOLLOW">
<META NAME="ROBOTS" CONTENT="INDEX,NOFOLLOW">
<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">

其中<META NAME="ROBOTS" CONTENT="INDEX,FOLLOW">可以写成<META NAME="ROBOTS" CONTENT="ALL">；
<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">可以写成<META NAME="ROBOTS" CONTENT="NONE">

目前，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，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。

以上内容您在互联网上肯定能找到，都是关于robots.txt的介绍、用法、使用技巧等，并没有介绍robots.txt给你带来的危害！

你有没有想过，你写出来的robots.txt内容都是设置哪个目录或文件允许访问，哪个目录或文件不给访问。问题的危险性也就这样产生了。

下面举例说明：

User-agent: *
Disallow: /Count/
Disallow: /Css/
Disallow: /Database/
Disallow: /System/Editor/
Disallow: /Include/
Disallow: /Script/
Disallow: /System/

很多人都这样写，这样无形中给我们带来了安全隐患，也就是说挑明了告诉别人你的数据库路径，管理路径。

当然，对于高手而言很少出现网站被注入、网站被黑的可能。但是，那些新手就难免受害了。除了本身程序已经有安全隐患，然后又使用robots.txt，从而把具体路径都给了那些有心之人。

所以，特意指出这个暗藏的危机，希望作为程序员的你，在写的过程中三思而后行啊！
该文章转载自[网站建设专家-惟零广告]：
http://www.25gx.com/wl2009/New-441.html

		自动登录	找回密码
密码			立即注册

允许及屏蔽搜索引擎 robots.txt的利与弊！

浏览过的版块