解决在静态页面上使用动态参数，造成spider多次和重复抓取的问题

推荐指数: 点击:369   文字大小: 加入收藏夹

在使用百度统计中的SEO建议检查网站时，总是发现“静态页参数”一项被扣了18分，扣分原因是“在静态页面上使用动态参数，会造成spider多次和重复抓取”。一般来说静态页面上使用少量的动态参数的话并不会对spider的抓取造成什么影响，但要是一个网站静态页面上使用的动态参数过多，那么最后就有可能会造成spider多次和重复抓取了。

　　要解决“在静态页面上使用动态参数，会造成spider多次和重复抓取”这一SEO问题，我们需要用到Robots.txt(机器人协议)来限制百度spider对网站页面的抓取，robots.txt是一个协议，而不是一个命令。robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。当一个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，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。

　　详解如何通过创建Robots.txt来解决网站被重复抓取，我们只需要设置一个语法。
User-agent: Baiduspider（仅对百度蜘蛛有效）
　　Disallow: /*?* （禁止访问网站中所有的动态页面）
　　这样就可以防止动态页面被百度索引，避免出现网站被spider重复抓取了。有些人说：“我的网站是使用伪静态页面的，每个网址html前面都带有？怎么办？” 这种情况的话就使用另一个语法。
User-agent: Baiduspider（仅对百度蜘蛛有效）
　　allow: .htm$（仅允许访问以".htm"为后缀的URL）
　　这样就可以让百度蜘蛛只收录你的静态页面，而不索引动态页。其实网站SEO知识还有很多，都需要我们一步一步的去摸索，通过实践去发现真理。注重用户体验的网站才是长久发展的基本点。

　　禁止网站被搜索抓取的一些方法：

先在站点的根目录下新建一个robots.txt文本文件。当搜索蜘蛛访问这个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索蜘蛛就会先读取这个文件的内容:

文件写法
User-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符,user-agent分号后需加空格。
Disallow: / 这里定义是禁止爬寻站点所有的内容
Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录
Disallow: /ABC/ 这里定义是禁止爬寻ABC目录下面的目录
Disallow: /cgi-bin/*.htm 禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。
Disallow: /*?* 禁止访问网站中所有包含问号 (?) 的网址
Disallow: /.jpg$ 禁止抓取网页所有的.jpg格式的图片
Disallow:/ab/adc.html 禁止爬取ab文件夹下面的adc.html文件。
Allow: /cgi-bin/　这里定义是允许爬寻cgi-bin目录下面的目录
Allow: /tmp 这里定义是允许爬寻tmp的整个目录
Allow: .htm$ 仅允许访问以".htm"为后缀的URL。
Allow: .gif$ 允许抓取网页和gif格式图片
Sitemap: 网站地图 告诉爬虫这个页面是网站地图

下面列出来的是比较出名的搜索引擎蜘蛛名称：
Google的蜘蛛： Googlebot
百度的蜘蛛：baiduspider
Yahoo的蜘蛛：Yahoo Slurp
MSN的蜘蛛：Msnbot
Altavista的蜘蛛：Scooter
Lycos的蜘蛛： Lycos_Spider_(T-Rex) 
Alltheweb的蜘蛛： FAST-WebCrawler/ 
INKTOMI的蜘蛛： Slurp
SOGOU的蜘蛛：Sogou web spider/4.0和Sogou inst spider/4.0

按照以上的说明,我们可以给大案一个示例,以Sogou的来说,禁止抓取的robots.txt代码写法如下:
User-agent: Sogou web spider/4.0
Disallow: /goods.php 
Disallow: /category.php

获得更多 -> 编程技巧 -> PHP技巧

责任编辑: webmaster >>> 百度上搜索  谷歌上搜索

点击复制本连接 （http://www.hugesky.com/showarticle.php?id=6827）