利用“GOOGLE抓取方式”工具测试Robots书写正确性
有一个客户的网站,一些很重要的页面被屏蔽了,搜索显示“由于此网站的 robots.txt,系统未提供关于该结果的说明 - 了解详情。”但是仔细看他的robots.txt,找不出确定的原因,犯了很多资料,也没有发现比较权威的说法。
于是自己就认真的看他的robots.txt(我勒个去,有好几百条呢!),根据所看的那些资料,写法不规范也可能是错误的我都挑了出来,代码如下:
Disallow:/search.asp?page=4&wherestr=&title= Disallow:/%20http://cnvip.busytrade.com/indexVip.php?memid=maxiaol&show=1 Disallow:/ls-discovery/centrifugation/h.. Disallow:/diagnostics/chemistry/dxc/dxc.. Disallow:/diagnostics/chemistry/au/test.. Disallow:/diagnostics/hematology/lh-750.. Disallow:/products_ Disallow:/about2.asp[/quote Disallow:/uppic/cp/lc/55b Disallow:/ls-industrial/pc/coulter-coun.. Disallow:/ls-industrial/pc/laser-diffra.. Disallow:/ls-discovery/centrifugation/high-performance/avanti-j-e.html/ Disallow:/ls-discovery/flow/z-analyzer/z1-dual.html/ Disallow:/new/search.asp?page=4&wherestr=&title= Disallow:/search.asp?page=2&wherestr=&title= Disallow:/]Disallow:/ Disallow:/ls-discovery.asp/centrifugation.asp Disallow:/ls-discovery/flow/quanta-sc.asp/ Disallow:/news/20121127206.html/ Disallow:/resources_1_eIQAP.asp/ Disallow:/news/2011117188.html/ Disallow:/news/200922821.html/ Disallow:/news/200791118.html/ Disallow:/news/200511145.html/ Disallow:/zyzxdisp Disallow:/ls-disc Disallow:/news/20 Disallow:/cp_disp
其中ls-discovery这个目录下的页面全部没有收录了,于是赶紧找权威的解释。终于找到一篇别人在2010年写的文章“利用“GOOGLE抓取”测试Robots书写正确性”,当时这个工具还是在实验室里面的,现在已经提拔出来了!https://www.google.com/webmasters/tools/googlebot-fetch?hl=zh-CN
经过一系列的测试,发现这个ls-discovery目录确实被robots.txt整个屏蔽了!但是根据rotbots.txt里面的指令,找不到准确屏蔽这个目录的命令。但是仔细观察这些不规范的,可以看到有这么一条:Disallow:/ls-discovery.asp/centrifugation.asp,我就在猜想:是不是这个"."就是罪魁祸首!?就像IIS又都解析漏洞一样,robots.txt也有这么一个执行漏洞,遇到"."就截止,直取“.”前面的内容,于是就成了“Disallow:/ls-discovery”,根据权威的解释,就是屏蔽了ls-discovery目录以及带这个关键词的所有页面。
“Disallow:
该项的值用于描述不希望被访问的一组URL,这个值可以是一条完整的路径,也可以是路径的非空前缀,以Disallow项的值开头的URL不会被 robot访问。 例如"Disallow:/help"禁止robot访问/help.html、/helpabc.html、/help /index.html,而"Disallow:/help/"则允许robot访问/help.html、/helpabc.html, 不能访问 /help/index.html。"Disallow:"说明允许robot访问该网站的所有url,在"/robots.txt"文件中,至少要有一 条Disallow记录。如果"/robots.txt"不存在或者为空文件, 则对于所有的搜索引擎robot,该网站都是开放的。”
除了这个解释,没有更好的解释了吧?
如果有高手知道真正的原因,请告知!感激不尽!
扫描二维码推送至手机访问。
版权声明:本文由光的传人博客www.liu16.com发布,如需转载请注明出处。