转至繁体中文版　　　  | 网站首页 | 图文教程 | 资源下载 | 站长博客 | 图片素材 | 武汉seo | 武汉网站优化 | 
最新公告：     敏韬网|教学资源学习资料永久免费分享站！  [mintao  2008年9月2日]        
您现在的位置： 学习笔记 >> 图文教程 >> 站长学院 >> 搜索优化 >> 正文
robots.txt和RobotsMETA标签    热     ★★★

robots.txt和RobotsMETA标签

作者：闵涛 文章来源：闵涛的学习笔记 点击数：1021 更新时间：2005/9/10

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

www.w3.org/

www.w3.org/robots.txt

www.w3.org:80/
www.w3.org:80/robots.txt

www.w3.org:1234/

www.w3.org:1234/robots.txt

w3.org/
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 www.baidu.com

Scooter www.altavista.com

ia_archiver www.alexa.com

Googlebot www.google.com

FAST-WebCrawler www.alltheweb.com

Slurp www.inktomi.com

MSNBOT search.msn.com


4、 robots.txt举例



下面是一些著名站点的robots.txt：


www.cnn.com/robots.txt

www.google.com/robots.txt

www.ibm.com/robots.txt

www.sun.com/robots.txt

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：

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">


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


[常用软件]制作适合MP3、手机阅读的TXT电子书  [Delphi程序]窗体的建立时机及缓冲的思想在ini文件中的应用.tx…
[网页制作]Robots META标签和robots.txt文件  [网页制作]robots.txt禁止搜索引擎收录的方法
[网页制作]robots.txt 指南-介绍  [Web开发]如何写robots.txt 文件？
[Web开发]搜索引擎指南robots.txt文件  [SyBase]jfreechart图表在linux上运行不显示的问题.txt
[MySql]配置jsp+mysql.txt  [搜索优化]Robots.txt指南
教程录入：mintao    责任编辑：mintao 
  • 上一篇教程：

  • 下一篇教程：
    • 【字体：小 大】【发表评论】【加入收藏】【告诉好友】【打印此文】【关闭窗口】
    　 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]
    　　网友评论：（只显示最新10条。评论内容只代表网友观点，与本站立场无关！）
    同类栏目
    · Web开发  · 网页制作
    · 平面设计  · 网站运营
    · 网站推广  · 搜索优化
    · 建站心得  · 站长故事
    · 互联动态
    更多内容
    热门推荐 更多内容
  • 没有教程
    		•
    赞助链接
    更多内容
    闵涛博文 更多关于武汉SEO的内容
    500 - 内部服务器错误。

    500 - 内部服务器错误。

    您查找的资源存在问题，因而无法显示。
    | 设为首页 |加入收藏 | 联系站长 | 友情链接 | 版权申明 | 广告服务
    MinTao学以致用网

    Copyright ＠ 2007-2012 敏韬网(敏而好学，文韬武略--MinTao.Net)（学习笔记） Inc All Rights Reserved.
    闵涛 投放广告、内容合作请Q我! E_mail:admin@mintao.net(欢迎提供学习资源)

    站长：MinTao ICP备案号：鄂ICP备11006601号-18

    闵涛站盟:医药大全-武穴网。A打造B、C、D……
    		咸宁网络警察报警平台