|
我们知道，搜索引擎都有自己的“搜索机器人”（ROBOTS），并通过这些ROBOTS在网络上沿着网页上的链接（一般是http和src链接）不断抓取资料建立自己的数据库。
对于网站管理者和内容提供者来说，有时候会有一些站点内容，不希望被ROBOTS抓取而公开。为了解决这个问题，ROBOTS开发界提供了两个办法：一个是robots.txt，另一个是The Robots META标签。
一、robots.txt 1、什么是robots.txt？
robots.txt是一个纯文本文件，通过在这个文件中声明该网站中不想被robots访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。
当一个搜索机器人访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果找到，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，那么搜索机器人就沿着链接抓取。
robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。
网站 URL相应的 robots.txt的 URL
http://www.w3.org/ http://www.w3.org/robots.txt
http://www.w3.org：80/ http://www.w3.org：80/robots.txt
http://www.w3.org：1234/ http://www.w3.org：1234/robots.txt
http://w3.org/ http://w3.org/robots.txt
2、robots.txt的语法
"robots.txt"文件包含一条或更多的记录，这些记录通过空行分开（以CR，CR/NL， or NL作为结束符），每一条记录的格式如下所示：
"<field>：<optionalspace><value><optionalspace>".
在该文件中可以使用#进行注解，具体使用方法和UNIX中的惯例一样。该文件中的记录通常以一行或多行User-agent开始，后面加上若干Disallow行，详细情况如下：
User-agent：
该项的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，如果有多条User-agent记录说明有多个robot会受到该协议的限制，对该文件来说，至少要有一条User-agent记录。如果该项的值设为*，则该协议对任何机器人均有效，在"robots.txt"文件中， "User-agent：*"这样的记录只能有一条。
Disallow：
该项的值用于描述不希望被访问到的一个URL，这个URL可以是一条完整的路径，也可以是部分的，任何以Disallow 开头的URL均不会被robot访问到。例如"Disallow： /help"对/help.html 和/help/index.html都不允许搜索引擎访问，而"Disallow： /help/"则允许robot访问/help.html，而不能访问/help/index.html.
任何一条Disallow记录为空，说明该网站的所有部分都允许被访问，在"/robots.txt"文件中，至少要有一条Disallow记录。如果 "/robots.txt"是一个空文件，则对于所有的搜索引擎robot，该网站都是开放的。
下面是一些robots.txt基本的用法：
l 禁止所有搜索引擎访问网站的任何部分：User-agent： * Disallow： /
l 允许所有的robot访问User-agent： * Disallow：或者也可以建一个空文件 "/robots.txt" file
l 禁止所有搜索引擎访问网站的几个部分（下例中的cgi-bin、tmp、private目录）
User-agent： * Disallow： /cgi-bin/ Disallow： /tmp/ Disallow： /private/
l 禁止某个搜索引擎的访问（下例中的BadBot）
User-agent： BadBot Disallow： /
l 只允许某个搜索引擎的访问（下例中的WebCrawler）
User-agent： WebCrawler Disallow：
User-agent： * Disallow： /
3、常见搜索引擎机器人Robots名字
名称 搜索引擎
Baiduspider http://www.baidu.com
Scooter http://www.altavista.com
ia_archiver http://www.alexa.com
Googlebot http://www.google.com
FAST-WebCrawler http://www.alltheweb.com
Slurp http://www.inktomi.com
MSNBOT http://search.msn.com
4、robots.txt举例
下面是一些著名站点的robots.txt：
http://www.cnn.com/robots.txt
http://www.google.com/robots.txt
http://www.ibm.com/robots.txt
http://www.sun.com/robots.txt
http://www.eachnet.com/robots.txt
5、常见robots.txt错误
l 颠倒了顺序：错误写成User-agent： * Disallow： GoogleBot
正确的应该是：User-agent： GoogleBot Disallow： *
l 把多个禁止命令放在一行中：例如，错误地写成Disallow： /css/ /cgi-bin/ /images/
正确的应该是Disallow： /css/ Disallow： /cgi-bin/ Disallow： /images/
l 行前有大量空格例如写成Disallow： /cgi-bin/尽管在标准没有谈到这个，但是这种方式很容易出问题。
l 404重定向到另外一个页面：当Robot访问很多没有设置robots.txt文件的站点时，会被自动404重定向到另外一个Html页面。这时Robot常常会以处理robots.txt文件的方式处理这个Html页面文件。虽然一般这样没有什么问题，但是最好能放一个空白的robots.txt文件在站点根目录下。
l 采用大写。例如USER-AGENT： EXCITE DISALLOW：虽然标准是没有大小写的，但是目录和文件名应该小写：user-agent：GoogleBot disallow：
l 语法中只有Disallow，没有Allow！
错误的写法是：User-agent： Baiduspider Disallow： /john/ allow： /jane/
l 忘记了斜杠/错误的写做：User-agent： Baiduspider Disallow： css
正确的应该是User-agent： Baiduspider Disallow： /css/
下面一个小工具专门检查robots.txt文件的有效性：http://www.searchengineworld.com/cgi-bin/robotcheck.cgi
二、Robots META标签1、什么是Robots META标签
Robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况，而Robots META标签则主要是针对一个个具体的页面。和其他的META标签（如使用的语言、页面的描述、关键词等）一样，Robots META标签也是放在页面的<head></head>中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。具体的形式类似（见黑体部分）：
<html> <head> <title>时代营销——网络营销专业门户</title> <meta name="Robots" content="index，follow"> <meta http-equiv="Content-Type" CONTENT="text/html； charset=gb2312"> <meta name="keywords" content="营销… "> <meta name="description" content="时代营销网是…"> <link rel="stylesheet" href="/public/css.css" type="text/css"> </head> <body>…
</body> </html>
2、Robots META标签的写法：
Robots META标签中没有大小写之分，name=“Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=“BaiduSpider”。content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“，”分隔。
INDEX 指令告诉搜索机器人抓取该页面；
FOLLOW 指令表示搜索机器人可以沿着该页面上的链接继续抓取下去；
Robots Meta标签的缺省值是INDEX和FOLLOW，只有inktomi除外，对于它，缺省值是INDEX，NOFOLLOW.
这样，一共有四种组合：
<META NAME="ROBOTS" CONTENT="INDEX，FOLLOW">
<META NAME="ROBOTS" CONTENT="NOINDEX，FOLLOW">
<META NAME="ROBOTS" CONTENT="INDEX，NOFOLLOW">
<META NAME="ROBOTS" CONTENT="NOINDEX，NOFOLLOW">
其中
<META NAME="ROBOTS" CONTENT="INDEX，FOLLOW">可以写成
<META NAME="ROBOTS" CONTENT="ALL">；
<META NAME="ROBOTS" CONTENT="NOINDEX，NOFOLLOW">可以写成
<META NAME="ROBOTS" CONTENT="NONE">
需要注意的是：上述的robots.txt和Robots META标签限制搜索引擎机器人（ROBOTS）抓取站点内容的办法只是一种规则，需要搜索引擎机器人的配合才行，并不是每个ROBOTS都遵守的。
目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于Robots META标签，目前支持的并不多，但是正在逐渐增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE还增加了一个指令“archive”，可以限制GOOGLE是否保留网页快照。例如：
<META NAME="googlebot" CONTENT="index，follow，noarchive">
表示抓取该站点中页面并沿着页面中链接抓取，但是不在GOOLGE上保留该页面的网页快照。
[网页制作]很有意义的网页制作之meta标签中的name、http-equ… [网页制作]meta标签之详解
[网页制作]HTML中小meta的大作用 [网页制作]HTML文档中小meta的大作用
[Web开发]HTML文档中小meta标签的大作用 [Web开发]Meta -- 容易被忽视的HTML元素
[Web开发]HTML文档中meta的大作用 [Web开发]HTML文档中meta标记的大作用
| 
注：本站部分文章源于互联网，版权归原作者所有！如有侵权，请原作者与本站联系，本站将立即删除！ 本站文章除特别注明外均可转载，但需注明出处！ [MinTao学以致用网] 
