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://www.030904.net/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
