robots.txt 和 Robots META 标签
平文胜 2003-10-29
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:
"
1<field>:<optionalspace><value><optionalspace>" 。
2
3#####
4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:
5
6#####
7User-agent:
8
9##### 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。
10
11#####
12Disallow :
13
14##### 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 。
15
16##### 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。
17
18#####
19下面是一些 robots.txt 基本的用法:
20
21##### l 禁止所有搜索引擎访问网站的任何部分:
22User-agent: *
23Disallow: /
24
25##### l 允许所有的 robot 访问
26User-agent: *
27Disallow:
28或者也可以建一个空文件 "/robots.txt" file
29
30##### 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)
31User-agent: *
32Disallow: /cgi-bin/
33Disallow: /tmp/
34Disallow: /private/
35
36##### l 禁止某个搜索引擎的访问(下例中的 BadBot )
37User-agent: BadBot
38Disallow: /
39
40##### l 只允许某个搜索引擎的访问(下例中的 WebCrawler )
41User-agent: WebCrawler
42Disallow:
43
44##### User-agent: *
45Disallow: /
46
47#####
483 、 常见搜索引擎机器人 Robots 名字
49
50#####
51名称 搜索引擎
52
53##### Baiduspider http://www.baidu.com
54
55##### Scooter http://www.altavista.com
56
57##### ia_archiver http://www.alexa.com
58
59##### Googlebot http://www.google.com
60
61##### FAST-WebCrawler http://www.alltheweb.com
62
63##### Slurp http://www.inktomi.com
64
65##### MSNBOT http://search.msn.com
66
67##### 4 、 robots.txt 举例
68
69##### 下面是一些著名站点的 robots.txt :
70
71##### http://www.cnn.com/robots.txt
72
73##### http://www.google.com/robots.txt
74
75##### http://www.ibm.com/robots.txt
76
77##### http://www.sun.com/robots.txt
78
79##### http://www.eachnet.com/robots.txt
80
81#####
825 、 常见 robots.txt 错误
83
84#####
85l 颠倒了顺序:
86错误写成
87User-agent: *
88Disallow: GoogleBot
89
90##### 正确的应该是:
91User-agent: GoogleBot
92Disallow: *
93
94##### l 把多个禁止命令放在一行中:
95例如,错误地写成
96Disallow: /css/ /cgi-bin/ /images/
97
98##### 正确的应该是
99Disallow: /css/
100Disallow: /cgi-bin/
101Disallow: /images/
102
103##### l 行前有大量空格
104例如写成
105Disallow: /cgi-bin/
106尽管在标准没有谈到这个,但是这种方式很容易出问题。
107
108##### l 404 重定向到另外一个页面:
109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。
110
111##### l 采用大写。例如
112USER-AGENT: EXCITE
113DISALLOW:
114虽然标准是没有大小写的,但是目录和文件名应该小写:
115user-agent:GoogleBot
116disallow:
117
118##### l 语法中只有 Disallow ,没有 Allow !
119错误的写法是:
120User-agent: Baiduspider
121Disallow: /john/
122allow: /jane/
123
124##### l 忘记了斜杠 /
125错误的写做:
126User-agent: Baiduspider
127Disallow: css
128
129##### 正确的应该是
130User-agent: Baiduspider
131Disallow: /css/
132
133##### 下面一个小工具专门检查 robots.txt 文件的有效性:
134
135##### http://www.searchengineworld.com/cgi-bin/robotcheck.cgi
136
137##### 二、 Robots META 标签
138
139##### 1 、什么是 Robots META 标签
140
141##### 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):
142
143##### <html>
144
145##### <head>
146
147##### <title> 时代营销 \-- 网络营销专业门户 </title>
148
149##### <meta content="index,follow" name="Robots"/>
150
151##### <meta content="text/html; charset=utf-8" http-equiv="Content-Type"/>
152
153##### <meta content=" 营销 … " name="keywords"/>
154
155##### <meta content=" 时代营销网是 …" name="description"/>
156
157##### <link href="/public/css.css" rel="stylesheet" type="text/css"/>
158
159##### </head>
160
161##### <body>
162
163##### …
164
165##### </body>
166
167##### </html>
168
169#####
1702 、 Robots META 标签的写法:
171
172#####
173Robots 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。
174
175##### INDEX 指令告诉搜索机器人抓取该页面;
176
177##### 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;
178
179##### 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 。
180
181#####
182这样,一共有四种组合:
183
184##### < META NAME="ROBOTS" CONTENT="INDEX,FOLLOW">
185
186##### < META NAME="ROBOTS" CONTENT="NOINDEX,FOLLOW">
187
188##### < META NAME="ROBOTS" CONTENT="INDEX,NOFOLLOW">
189
190##### < META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">
191
192#####
193其中
194
195##### <meta content="INDEX,FOLLOW" name="ROBOTS"/> 可以写成
196
197##### <meta content="ALL" name="ROBOTS"/> ;
198
199##### <meta content="NOINDEX,NOFOLLOW" name="ROBOTS"/> 可以写成
200
201##### < META NAME="ROBOTS" CONTENT="NONE">
202
203##### 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。
204
205#####
206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:
207
208##### <meta content="index,follow,noarchive" name="googlebot"/>
209
210##### 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。</optionalspace></value></optionalspace></field>