robots.txt是一種存放於網站根目錄下的文本文件，用於告訴搜索引擎的爬蟲（spider），此網站中的哪些內容是不應被搜索引擎的索引，哪些是可以被索引。通常認為，robots.txt文件用來搜索引擎對目標網頁的抓取。
robots.txt協議並不是一個規範，而只是約定俗成的，通常搜索引擎會識別這個文件，但也有一些特殊情況。
對於Google來說，使用robots也未必能阻止Google將網址編入索引，如果有其他網站鏈接到該網頁的話，Google依然有可能會對其進行索 引。按照Google的說法，要想徹底阻止網頁的內容在Google網頁索引中（即使有其他網站鏈接到該網頁）出現，需要使用noindex元標記或x- robots-tag。例如將下面的一行加入到網頁的header部分。
<meta name=」googlebot」 content=」noindex」>
如果Google看到某一頁上有noindex的元標記，就會將此頁從Google的搜索結果中完全丟棄，而不管是否還有其他頁鏈接到此頁。
對於百度來說，情況和Google類似，如果有其他網站鏈接目標網頁，也有可能會被百度收錄，從百度的說明頁面上看，百度並不支持像Google那樣通過noindex完全將網頁從索引上刪除，只支持使用noarchive元標記來禁止百度顯示網頁快照。具體的語句如下。
<meta name=」Baiduspider」 content=」noarchive」>
上面這個標記只是禁止百度顯示該網頁的快照，百度會繼續為網頁建索引，並在搜索結果中顯示網頁摘要。
例如，淘寶網目前就通過robots.txt來屏蔽百度爬蟲，但百度依舊收錄了淘寶網的內容，百度搜索「淘寶網」，第一個結果也是淘寶網首頁地址，只是該頁面沒有網頁快照，因此看來，網站只能禁止百度的快照，而無法禁止百度為網頁建索引。
轉載自 互聯網的那點事
沒有留言:
張貼留言