彻底禁止百度等搜索引擎收录的有效方法
不辣的皮特
摘要：
虽然建设网站的目的大部分是为了优化搜索引擎排名，实现互联网营销，但特殊情况下，仍会遇到“不希望搜索引擎收录”的需求，这里给出终极、有效的禁止百度等搜索引擎收录的解决方案。一、Rob... 虽然建设网站的目的大部分是为了优化搜索引擎排名，实现互联网营销，但特殊情况下，仍会遇到“不希望搜索引擎收录”的需求，这里给出终极、有效的禁止百度等搜索引擎收录的解决方案。
一、Robots.txt只能禁止抓取，无法禁止收录
很多人认为rohots.txt也已禁止百度收录，这是严重的误解，robots.txt文件可以告诉搜索引擎哪些目录和文件可以抓取，哪些不可以。经过实践发现，即使禁止搜索引擎抓取根目录，robots文件也并不能实现禁止百度等搜索引擎收录。如果一个网站的外链较多，基本上无法通过正常手段禁止百度收录，淘宝便是一个典型的案例（淘宝的robots.txt设置为禁止抓取根目录，但首页依然被收录）。关于robots.txt的作用、文件格式、使用方法，可参考百度站长平台的说明。
二、如何只禁止百度搜索引擎收录抓取网页
1、编辑robots.txt文件，设计标记为:
User-agent: Baiduspider Disallow: /
以上robots文件将实现禁止所有来自百度的抓取。
这里说一下百度的user-agent，Baiduspider的user-agent是什么？
百度各个产品使用不同的user-agent：
产品名称 对应user-agent
无线搜索 Baiduspider
图片搜索 Baiduspider-image
视频搜索 Baiduspider-video
新闻搜索 Baiduspider-news
百度搜藏 Baiduspider-favo
百度联盟 Baiduspider-cpro
商务搜索 Baiduspider-ads
网页以及其他搜索 Baiduspider
你可以根据各产品不同的user-agent设置不同的抓取规则，以下robots实现禁止所有来自百度的抓取但允许图片搜索抓取/image/目录：
User-agent: Baiduspider Disallow: / User-agent: Baiduspider-image Allow: /image/
请注意：Baiduspider-cpro和Baiduspider-ads抓取的网页并不会建入索引，只是执行与客户约定的操作，所以不遵守robots协议，这个就需要和百度的人联系才能解决了。
如何只禁止Google搜索引擎收录抓取网页，如下：
编辑robots.txt文件，设计标记为:
User-agent: googlebot Disallow: /
在网站首页代码<head>与</head>之间，加入<meta name="robots" content="noarchive">代码，此标记禁止搜索引擎抓取网站并显示网页快照。
在网站首页代码<head>与</head>之间，加入<meta name="Baiduspider" content="noarchive">即可禁止百度搜索引擎抓取网站并显示网页快照。
在网站首页代码<head>与</head>之间，加入<meta name="googlebot" content="noarchive">即可禁止谷歌搜索引擎抓取网站并显示网页快照。
另外当我们的需求很怪异的时候，比如下面这几种情况:
1.网站已经加了robots.txt，还能在百度搜索出来？
因为搜索引擎索引数据库的更新需要时间。虽然Baiduspider已经停止访问您网站上的网页，但百度搜索引擎数据库中已经建立的网页索引信息， 可能需要数月时间才会清除。另外也请检查您的robots配置是否正确。如果您的拒绝被收录需求非常急迫，也可以通过投诉平台反馈请求处理。
2.希望网站内容被百度索引但不被保存快照，我该怎么做？
Baiduspider 遵守互联网meta robots协议。您可以利用网页meta的设置，使百度显示只对该网页建索引，但并不在搜索结果中显示该网页的快照。和robots的更新一样，因为搜 索引擎索引数据库的更新需要时间，所以虽然您已经在网页中通过meta禁止了百度在搜索结果中显示该网页的快照，但百度搜索引擎数据库中如果已经建立了网 页索引信息，可能需要二至四周才会在线上生效。
3.希望被百度索引，但是不保存网站快照，如下代码解决：
<meta name="Baiduspider" content="noarchive">
如果要禁止所有的搜索引擎保存你网页的快照，那么代码就是下面的：
<meta name="robots" content="noarchive">
常用的一些代码组合：
<META NAME="ROBOTS" CONTENT="INDEX,FOLLOW">：可以抓取本页，而且可以顺着本页继续索引别的链接
<META NAME="ROBOTS" CONTENT="NOINDEX,FOLLOW">：不许抓取本页，但是可以顺着本页抓取索引别的链接
<META NAME="ROBOTS" CONTENT="INDEX,NOFOLLOW">：可以抓取本页，但是不许顺着本页抓取索引别的链接
<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">：不许抓取本页，也不许顺着本页抓取索引别的链接
三、通过Nginx判断user_agent禁止百度等搜索引擎访问，实现禁止收录
既然不能直接禁止抓取，那就干脆禁止百度蜘蛛等搜索引擎访问，思路是：判断user_agent，如果是百度蜘蛛、谷歌机器人等搜索引擎的user_agent，就返回403或者404，这样百度等搜索引擎就会认为这个网站无法打开或者不存在，自然也就不会收录了。
Nginx的配置代码如下：
if ($http_user_agent ~* "qihoobot|Baiduspider|Googlebot|Googlebot-Mobile|Googlebot-Image|Mediapartners-Google|Adsbot-Google|Feedfetcher-Google|Yahoo! Slurp|Yahoo! Slurp China|YoudaoBot|Sosospider|Sogou spider|Sogou web spider|MSNBot|ia_archiver|Tomato Bot") { return 403; }通过curl模拟搜索引擎抓取，测试以上代码有效，并在多次项目实践中验证了此方法的可行性，实现了彻底禁止百度收录！
还没有评论，来说两句吧...