SEO分享:彻底禁止搜索引擎抓取/收录动态页面或指定路径的方法

建站笔记1年前 (2023)发布 小萝卜头
580 0 0

最近张戈博客收录出现异常,原因并不明朗。我个人猜测存在如下几个直接原因:

更换主题,折腾时带来过多错误页面或间歇性访问错误;
直接线上折腾 Nginx 缓存和缩略图,可能导致间歇性大姨妈;
新发文章瞬间被转载,甚至是整站被采集,可能导致“降权”;
百度居然开始收录动态页面,而且还在持续抓取动态页面。

对于前三个,已发生的已无法改变,要发生的也无法阻止。对于转载和采集,我也只能在 Nginx 加入 UA 黑名单和防盗链机制,略微阻碍一下了,但是实际起不到彻底禁止作用,毕竟整个天朝互联网大环境就是这样一个不好的风气,很多人都不愿意花时间、用心写文章,喜欢不劳而获的转载甚至是篡改抄袭。
对于第四点,真是忍无可忍。我很想对百度说,我忍你很久了。明明 robots 里面加入了禁止抓取这些动态地址和某些路径,但是蜘蛛依然每天抓取,而且还收录了!收录也没事,关键收录了动态地址居然不收录静态地址了??这是要闹咋样啊?
案例①:

案例②:

案例③:
以上案例中的地址,我通过百度站长平台robots 检验结果都是被禁封的,真不知道百度怎么想的:

所以,我决定用极端手段,彻底禁止这些不听话的蜘蛛抓取那些我不想被收录的页面!robots 协议显然还是太温柔了!下面看张戈怎么放大招吧!
一、Nginx 规则
张戈博客用的是 Nginx,所以直接在 server  中新增如下规则即可:
#################################################
# 禁止蜘蛛抓取动态或指定页面规则 By 张戈博客 #
# 原文地址:https://zhang.ge/5043.html #
# 申 明:转载请尊重版权,保留出处,谢谢合作! #
#################################################

server
{
listen 80;
server_name zhang.ge;
index index.html index.htm index.php default.html default.htm default.php;
root /home/wwwroot/zhang.ge;
#### 新增规则【开始】 ####
#初始化变量为空
set $deny_spider “”;
#如果请求地址中含有需要禁止抓取关键词时,将变量设置为 y:
if ($request_uri ~* “\?replytocom=(\d+)|\?p=(\d+)”https://zhang.ge/feed”/date|/wp-admin|comment-page-(\d+)|/go”) {
set $deny_spider ‘y’;
}
#如果抓取的 UA 中含有 spider 或 bot 时,继续为变量赋值(通过累加赋值间接实现 nginx 的多重条件判断)
if ($http_user_agent ~* “spider|bot”) {
set $deny_spider “${deny_spider}es”;
}
#当满足以上 2 个条件时,则返回 404,符合搜索引擎死链标准
if ($deny_spider=”yes”) {
return 403; #如果是删除已收录的,则可以返回 404
break;
}
#### 新增规则【结束】 ####
#以下规则略…

Ps:就是将上述代码中“新增规则【开始】”到“新增规则【结束】”内容添加到我们网站的 Nginx 配置– server 模块 中的 root 指令之后即可。
二、 Apache 规则
Apache 测试了半天总是 500 错误,暂时先放弃了,有时间再来调整!
我自己测试写的规则如下,感兴趣的朋友可以自行测试看看,也许是我环境的问题。

RewriteEngine On
RewriteCond %{HTTP_USER_AGENT} (^$|spider|bot) [NC]
RewriteCond %{REQUEST_URI} (/\?replytocom=(\d+)|\?p=(\d+)|\/feed|\/date|\/wp-admin|wp-includes|\/go|comment-page-(\d+)) [NC]
RewriteRule ^(.*)$ - [F]

Ps:大概思路和 Nginx 一致,既匹配了蜘蛛 UA,又匹配了禁止关键词的抓取,直接返回 403(如何返回 404,有知道的朋友请留言告知下,测试成功的朋友也敬请分享一下代码,我实在没时间折腾了。)
三、PHP 代码版
/**
* PHP 比 robots 更彻底地禁止蜘蛛抓取指定路径代码 By 张戈博客
* 原文地址:https://zhang.ge/5043.html
* 申 明:原创代码,转载请注保留出处,谢谢合作!
* 使用说明:将一下代码添加到主题目录的 functions.php 当中即可。

*/
ob_start("Deny_Spider_Advanced");
function Deny_Spider_Advanced() {
$UA = $_SERVER['HTTP_USER_AGENT'];
$Request_uri = $_SERVER['PHP_SELF'].'?'.$_SERVER['QUERY_STRING'];
$Spider_UA = '/(spider|bot|)/i'; //定义需要禁止的蜘蛛 UA,一般是 spider 和 bot
//禁止蜘蛛抓取的路径,可以参考自己的 robots 内容,每个关键词用分隔符隔开,需注意特殊字符的转义
$Deny_path="/\?replytocom=(\d+)|\?p=(\d+)|\/feed|\/date|\/wp-admin|wp-includes|\/go|comment-page-(\d+)/i";
//如果检测到 UA 为空,可能是采集行为
if(!$UA) {
header("Content-type: text/html; charset=utf-8");
wp_die('请勿采集本站,因为采集的站长木有小 JJ!');
} else {
//如果发现是蜘蛛,并且抓取路径匹配到了禁止抓取关键词则返回 404
if(preg_match_all($Spider_UA,$UA) && preg_match_all($Deny_path,$Request_uri)) {
//header('HTTP/1.1 404 Not Found');
//header("status: 404 Not Found");
header('HTTP/1.1 403 Forbidden'); //可选择返回 404 或者 403(有朋友说内链 404 对 SEO 不太友好)
header("status: 403 Forbidden");

}
}
}

 

使用很简单,将上述 PHP 代码添加到主题目录下放 functions.php 当中即可。
四、测试效果
测试效果很简单,直接利用百度站长平台的抓取诊断工具即可:

点开看看可以发现真的是返回 404:

最后,结合张戈博客之前分享的《SEO 技巧:Shell 脚本自动提交网站 404 死链到搜索引擎》即可将这些无用的收录全部删除:

有朋友说我这个是黑帽手法,用户可以访问,而搜索引擎却 404,很适合淘宝客网站的商品外链。是什么手法我不清楚,我只知道实用就好!特别是张戈博客那些外链,都是用/go?url=这个路径来跳转的,现在这样处理后,就算搜索引擎不遵循 robots 硬是要抓取,就只能抓到 404 了!
好了,本文就分享到这,这种做法和张戈博客之前分享的《SEO 分享:彻底禁止搜索引擎收录非首选域名的方法》一样,属于极端优化做法,实施后,我们的索引肯定会大量下降,因为很多垃圾索引或收录都将被删除,但是这是良性的做法,因为优质且不重复的内容才是提高排名的王道!

收录于{张戈博客} 原文链接原文链接

© 版权声明

相关文章

暂无评论

暂无评论...