使用noindex而不是robots.txt屏蔽搜素引擎(baidu/google)收录网页

上篇文章分析了使用robots.txt不能阻止网页被抓取收录的原因，那么，如何有效阻止网页被收录呢，方法是使用noindex元标记。本文将给大家详细介绍。

noindex与robots.txt

要阻止某个网页出现在搜索结果中，您可以将 noindex 元标记加入该网页的 HTML 代码中，或在 HTTP 请求中返回“noindex”标头。当爬虫下次抓取该网页并看到相应的标记或标头时，就会完全阻止该网页出现在搜索结果中（不论是否有其他网站链接到该网页）。

重要提示！
要想让 noindex 指令生效，就不得使用 robots.txt 文件屏蔽相应网页。如果该网页被 robots.txt 文件屏蔽了，抓取工具将永远无法看到 noindex 指令，因此该网页可能仍会显示在搜索结果中（例如，如果有其他网页链接到该网页的话）。

如果你不具备对服务器的 root 访问权限，则可借助非常实用的 noindex 工具控制搜索引擎对你网站上各个网页的访问权限。

实施 noindex

你可采用以下两种方法来实施 noindex：将 noindex 用作元标记，或用作 HTTP 响应标头。这两种方法的效果是等同的，但你可根据自己对服务器的控制程度和所用的具体发布流程，从中任选一种对你而言较为便捷的方式。

◆<meta> 标记

要想阻止大部分搜索引擎网页抓取工具将你网站中的网页编入索引，请将以下元标记放入相应网页的 <head> 部分中：

要阻止 baidu 网页抓取工具将网页编入索引，请放入以下元标记：

要阻止 Google 网页抓取工具将网页编入索引，请放入以下元标记：

屏蔽所有蜘蛛爬虫抓取该页面的写法是：

请注意，某些搜索引擎网页抓取工具对 noindex 指令可能会有不同的解读，因此，你的网页可能仍会出现在其他搜索引擎的结果中。

◆帮助搜索引擎发现你的noindex元标记

只有在抓取你的网页后才能看到元标记。如果你的网页仍出现在搜索结果中，可能是因为在你添加标记之后搜索引擎尚未抓取过你的网站。你可以向搜索引擎主动提交你的网页，让爬虫重新抓取你的网页。此外，也可能是因为你的 robots.txt 文件禁止了爬虫访问该网址，因此无法看到此标记。要允许搜索引擎访问你的网页，你必须修改 robots.txt 文件。

HTTP 响应标头

除了使用元标记，你还可在响应中返回一个值为 noindex 或 none 的 X-Robots-Tag 标头。下面的 HTTP 响应示例便含有一个可指示抓取工具不要将某一网页编入索引的 X-Robots-Tag：

HTTP/1.1 200 OK
(…)
X-Robots-Tag: noindex
(…)

如何利用 Apache 实际实施 X-Robots-Tag

你可以使用基于 Apache 的网络服务器上默认提供的 .htaccess 和 httpd.conf 文件，将 X-Robots-Tag 添加到网站的 HTTP 响应中。在 HTTP 响应中使用 X-Robots-Tag 的好处是，你可以指定要应用于整个网站的抓取指令。系统对正则表达式的支持提供了很高的灵活性。

例如，要将 noindex, nofollow X-Robots-Tag 添加到整个网站上所有 .PDF 文件的 HTTP 响应中，请将以下代码段添加到网站的 root .htaccess 文件或 httpd.conf 文件中：

<Files ~ "\.pdf$">
Header set X-Robots-Tag "noindex, nofollow"
</Files>

你可以对无法使用漫游器元标记的非 HTML 文件（如图片文件）使用 X-Robots-Tag。下面的示例说明了如何针对整个网站上的所有图片文件（.png、.jpeg、.jpg、.gif）添加 noindex X-Robots-Tag 指令：

<Files ~ "\.(png|jpe?g|gif)$">
Header set X-Robots-Tag "noindex"
</Files>

如何合并使用抓取指令与索引编制/内容显示指令

只有当网页被抓取时，漫游器元标记和 X-Robots-Tag HTTP 标头才会被抓取工具发现。如果你通过 robots.txt 文件禁止抓取某一网页，那么抓取工具就不会找到任何关于索引编制/内容显示指令的信息，因此会忽略这些信息。如果索引编制/内容显示指令必须被遵循，那么你就不能禁止抓取工具抓取包含这些指令的网址。

您可能对以下文章也感兴趣

屏蔽百度蜘蛛或某一爬虫的四种方法