robots.txt和Robots META标签

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：   
  4  
  5User-agent:   
  6  
  7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。   
  8  
  9Disallow :   
 10  
 11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。   
 12  
 13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。   
 14  
 15下面是一些robots.txt基本的用法：   
 16  
 17l 禁止所有搜索引擎访问网站的任何部分：   
 18User-agent: *   
 19Disallow: /   
 20  
 21l 允许所有的robot访问   
 22User-agent: *   
 23Disallow:   
 24或者也可以建一个空文件 "/robots.txt" file   
 25  
 26l 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）   
 27User-agent: *   
 28Disallow: /cgi-bin/   
 29Disallow: /tmp/   
 30Disallow: /private/   
 31  
 32l 禁止某个搜索引擎的访问（下例中的BadBot）   
 33User-agent: BadBot   
 34Disallow: /   
 35  
 36l 只允许某个搜索引擎的访问（下例中的WebCrawler）   
 37User-agent: WebCrawler   
 38Disallow:   
 39  
 40User-agent: *   
 41Disallow: /   
 42  
 433、 常见搜索引擎机器人Robots名字   
 44  
 45名称 搜索引擎   
 46Baiduspider 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   
 474、 robots.txt举例   
 48  
 49下面是一些著名站点的robots.txt：   
 50http://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   
 515、 常见robots.txt错误   
 52  
 53l 颠倒了顺序：   
 54错误写成   
 55User-agent: *   
 56Disallow: GoogleBot   
 57  
 58正确的应该是：   
 59User-agent: GoogleBot   
 60Disallow: *   
 61  
 62l 把多个禁止命令放在一行中：   
 63例如，错误地写成   
 64Disallow: /css/ /cgi-bin/ /images/   
 65  
 66正确的应该是   
 67Disallow: /css/   
 68Disallow: /cgi-bin/   
 69Disallow: /images/   
 70  
 71l 行前有大量空格   
 72例如写成   
 73Disallow: /cgi-bin/   
 74尽管在标准没有谈到这个，但是这种方式很容易出问题。   
 75  
 76l 404重定向到另外一个页面：   
 77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。   
 78  
 79l 采用大写。例如   
 80USER-AGENT: EXCITE   
 81DISALLOW:   
 82虽然标准是没有大小写的，但是目录和文件名应该小写：   
 83user-agent:GoogleBot   
 84disallow:   
 85  
 86l 语法中只有Disallow，没有Allow！   
 87错误的写法是：   
 88User-agent: Baiduspider   
 89Disallow: /john/   
 90allow: /jane/   
 91  
 92l 忘记了斜杠/   
 93错误的写做：   
 94User-agent: Baiduspider   
 95Disallow: css   
 96  
 97正确的应该是   
 98User-agent: Baiduspider   
 99Disallow: /css/   
100  
101下面一个小工具专门检查robots.txt文件的有效性：   
102  
103http://www.searchengineworld.com/cgi-bin/robotcheck.cgi   
104  
105二、 Robots META标签   
106  
1071、什么是Robots META标签   
108  
109Robots.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）：   
110  
111<html>
112<head>
113<title>时代营销--网络营销专业门户</title>
114<meta content="index,follow" name="Robots"/>
115<meta content="text/html; charset=utf-8" http-equiv="Content-Type"/>
116<meta content="营销… " name="keywords"/>
117<meta content="时代营销网是…" name="description"/>
118<link href="/public/css.css" rel="stylesheet" type="text/css"/>
119</head>
120<body>   
121  
122…   
123  
124</body>
125</html>   
126  
1272、Robots META标签的写法：   
128  
129Robots 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。   
130  
131INDEX 指令告诉搜索机器人抓取该页面；   
132  
133FOLLOW 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；   
134  
135Robots 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。   
136  
137这样，一共有四种组合：   
138  
139<meta content="INDEX,FOLLOW" name="ROBOTS"/>
140<meta content="NOINDEX,FOLLOW" name="ROBOTS"/>
141<meta content="INDEX,NOFOLLOW" name="ROBOTS"/>
142<meta content="NOINDEX,NOFOLLOW" name="ROBOTS"/>   
143  
144其中   
145  
146<meta content="INDEX,FOLLOW" name="ROBOTS"/>可以写成   
147  
148<meta content="ALL" name="ROBOTS"/>；   
149  
150<meta content="NOINDEX,NOFOLLOW" name="ROBOTS"/>可以写成   
151  
152<meta content="NONE" name="ROBOTS"/>   
153  
154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。   
155  
156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：   
157  
158<meta content="index,follow,noarchive" name="googlebot"/>   
159  
160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 
161
162* * *
163
164|  上一篇: 世界主要搜索引擎规则揭密  |  下一篇: 哪些因素决定网站SEO的价格   
165---|---  
166  
167* * *
168
169![](http://zz.315top.com/images/printer.gif) 打印本页 | ![](http://zz.315top.com/images/close.gif) 关闭窗口   
170  
171| 设为首页 | 加入收藏 | 联系站长 | 广告联系 | 最新文章 | 文章分类 | 管理登录 |   
172---  
173  
174Copyright @ 2006-2008 http://zz.315top.com 联盟信誉大家评版权所有   
175公司地址:湖北武汉 电话:qq:449818830 邮编:430071   
176email:[email protected]</optionalspace></value></optionalspace></field>