|
我們知道，搜索引擎都有自己的“搜索機(jī)器人”（ROBOTS），并通過這些ROBOTS在網(wǎng)絡(luò)上沿著網(wǎng)頁上的鏈接（一般是http和src鏈接）不斷抓取資料建立自己的數(shù)據(jù)庫。
對于網(wǎng)站管理者和內(nèi)容提供者來說，有時(shí)候會有一些站點(diǎn)內(nèi)容，不希望被ROBOTS抓取而公開。為了解決這個(gè)問題，ROBOTS開發(fā)界提供了兩個(gè)辦法：一個(gè)是robots.txt，另一個(gè)是The Robots META標(biāo)簽。
一、 robots.txt
1、 什么是robots.txt？
robots.txt是一個(gè)純文本文件，通過在這個(gè)文件中聲明該網(wǎng)站中不想被robots訪問的部分，這樣，該網(wǎng)站的部分或全部內(nèi)容就可以不被搜索引擎收錄了，或者指定搜索引擎只收錄指定的內(nèi)容。
當(dāng)一個(gè)搜索機(jī)器人訪問一個(gè)站點(diǎn)時(shí)，它會首先檢查該站點(diǎn)根目錄下是否存在robots.txt，如果找到，搜索機(jī)器人就會按照該文件中的內(nèi)容來確定訪問的范圍，如果該文件不存在，那么搜索機(jī)器人就沿著鏈接抓取。
robots.txt必須放置在一個(gè)站點(diǎn)的根目錄下，而且文件名必須全部小寫。
|
網(wǎng)站 URL |
相應(yīng)的 robots.txt的 URL |
|
http://www./ |
http://www./robots.txt |
|
http://www.:80/ |
http://www.:80/robots.txt |
|
http://www.:1234/ |
http://www.:1234/robots.txt |
|
http:/// |
http:///robots.txt |
2、 robots.txt的語法
"robots.txt"文件包含一條或更多的記錄，這些記錄通過空行分開（以CR,CR/NL, or NL作為結(jié)束符），每一條記錄的格式如下所示：
"<field>:<optionalspace><value><optionalspace>"。
在該文件中可以使用#進(jìn)行注解，具體使用方法和UNIX中的慣例一樣。該文件中的記錄通常以一行或多行User-agent開始，后面加上若干Disallow行,詳細(xì)情況如下：
User-agent:
該項(xiàng)的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，如果有多條User-agent記錄說明有多個(gè)robot會受到該協(xié)議的限制，對該文件來說，至少要有一條User-agent記錄。如果該項(xiàng)的值設(shè)為*，則該協(xié)議對任何機(jī)器人均有效，在"robots.txt"文件中， "User-agent：*"這樣的記錄只能有一條。
Disallow :
該項(xiàng)的值用于描述不希望被訪問到的一個(gè)URL，這個(gè)URL可以是一條完整的路徑，也可以是部分的，任何以Disallow 開頭的URL均不會被robot訪問到。例如"Disallow: /help"對/help.html 和/help/index.html都不允許搜索引擎訪問，而"Disallow: /help/"則允許robot訪問/help.html，而不能訪問/help/index.html。
任何一條Disallow記錄為空，說明該網(wǎng)站的所有部分都允許被訪問，在"/robots.txt"文件中，至少要有一條Disallow記錄。如果 "/robots.txt"是一個(gè)空文件，則對于所有的搜索引擎robot，該網(wǎng)站都是開放的。
下面是一些robots.txt基本的用法：
l 禁止所有搜索引擎訪問網(wǎng)站的任何部分：
User-agent: *
Disallow: /
l 允許所有的robot訪問
User-agent: *
Disallow:
或者也可以建一個(gè)空文件 "/robots.txt" file
l 禁止所有搜索引擎訪問網(wǎng)站的幾個(gè)部分（下例中的cgi-bin、tmp、private目錄）
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /private/
l 禁止某個(gè)搜索引擎的訪問（下例中的BadBot）
User-agent: BadBot
Disallow: /
l 只允許某個(gè)搜索引擎的訪問（下例中的WebCrawler）
User-agent: WebCrawler
Disallow:
User-agent: *
Disallow: /
3、 常見搜索引擎機(jī)器人Robots名字
名稱 搜索引擎
Baiduspider http://www.baidu.com/
Scooter http://www./
ia_archiver http://www./
Googlebot http://www.google.com/
FAST-WebCrawler http://www./
Slurp http://www./
MSNBOT http://search./
4、 robots.txt舉例
下面是一些著名站點(diǎn)的robots.txt：
http://www./robots.txt
http://www.google.com/robots.txt
http://www.ibm.com/robots.txt
http://www./robots.txt
http://www./robots.txt
5、 常見robots.txt錯(cuò)誤
l 顛倒了順序：
錯(cuò)誤寫成
User-agent: *
Disallow: GoogleBot
正確的應(yīng)該是：
User-agent: GoogleBot
Disallow: *
l 把多個(gè)禁止命令放在一行中：
例如，錯(cuò)誤地寫成
Disallow: /css/ /cgi-bin/ /images/
正確的應(yīng)該是
Disallow: /css/
Disallow: /cgi-bin/
Disallow: /images/
l 行前有大量空格
例如寫成
Disallow: /cgi-bin/
盡管在標(biāo)準(zhǔn)沒有談到這個(gè)，但是這種方式很容易出問題。
l 404重定向到另外一個(gè)頁面：
當(dāng)Robot訪問很多沒有設(shè)置robots.txt文件的站點(diǎn)時(shí)，會被自動404重定向到另外一個(gè)Html頁面。這時(shí)Robot常常會以處理robots.txt文件的方式處理這個(gè)Html頁面文件。雖然一般這樣沒有什么問題，但是最好能放一個(gè)空白的robots.txt文件在站點(diǎn)根目錄下。
l 采用大寫。例如
USER-AGENT: EXCITE
DISALLOW:
雖然標(biāo)準(zhǔn)是沒有大小寫的，但是目錄和文件名應(yīng)該小寫：
user-agent:GoogleBot
disallow:
l 語法中只有Disallow，沒有Allow！
錯(cuò)誤的寫法是：
User-agent: Baiduspider
Disallow: /john/
allow: /jane/
l 忘記了斜杠/
錯(cuò)誤的寫做：
User-agent: Baiduspider
Disallow: css
正確的應(yīng)該是
User-agent: Baiduspider
Disallow: /css/
下面一個(gè)小工具專門檢查robots.txt文件的有效性：
http://www./cgi-bin/robotcheck.cgi
二、 Robots META標(biāo)簽
1、什么是Robots META標(biāo)簽
Robots.txt文件主要是限制整個(gè)站點(diǎn)或者目錄的搜索引擎訪問情況，而Robots META標(biāo)簽則主要是針對一個(gè)個(gè)具體的頁面。和其他的META標(biāo)簽（如使用的語言、頁面的描述、關(guān)鍵詞等）一樣，Robots META標(biāo)簽也是放在頁面的<head></head>中，專門用來告訴搜索引擎ROBOTS如何抓取該頁的內(nèi)容。具體的形式類似（見黑體部分）：
<html>
<head>
<title>標(biāo)題</title>
<meta name="Robots" content="index,follow">
<meta http-equiv="Content-Type" CONTENT="text/html; charset=gb2312">
<meta name="keywords" content="免費(fèi)空間… ">
<meta name="description" content="本站是…">
<link rel="stylesheet" href="/public/css.css" type="text/css">
</head>
<body>
…
</body>
</html>
2、Robots META標(biāo)簽的寫法：
Robots META標(biāo)簽中沒有大小寫之分，name=”Robots”表示所有的搜索引擎，可以針對某個(gè)具體搜索引擎寫為name=”BaiduSpider”。content部分有四個(gè)指令選項(xiàng)：index、noindex、follow、nofollow，指令間以“,”分隔。
INDEX 指令告訴搜索機(jī)器人抓取該頁面；
FOLLOW 指令表示搜索機(jī)器人可以沿著該頁面上的鏈接繼續(xù)抓取下去；
Robots Meta標(biāo)簽的缺省值是INDEX和FOLLOW，只有inktomi除外，對于它，缺省值是INDEX,NOFOLLOW。
這樣，一共有四種組合：
<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">可以寫成
<META NAME="ROBOTS" CONTENT="ALL">；
<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">可以寫成
<META NAME="ROBOTS" CONTENT="NONE">
需要注意的是：上述的robots.txt和Robots META標(biāo)簽限制搜索引擎機(jī)器人（ROBOTS）抓取站點(diǎn)內(nèi)容的辦法只是一種規(guī)則，需要搜索引擎機(jī)器人的配合才行，并不是每個(gè)ROBOTS都遵守的。
目前看來，絕大多數(shù)的搜索引擎機(jī)器人都遵守robots.txt的規(guī)則，而對于Robots META標(biāo)簽，目前支持的并不多，但是正在逐漸增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE還增加了一個(gè)指令“archive”，可以限制GOOGLE是否保留網(wǎng)頁快照。例如：
<META NAME="googlebot" CONTENT="index,follow,noarchive"> 表示抓取該站點(diǎn)中頁面并沿著頁面中鏈接抓取，但是不在GOOLGE上保留該頁面的網(wǎng)頁快照。 | 
