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:80/robots.txt
|
http://www.w3.org:1234/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
5
6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:
7
8
9_User-agent:
10
11
12_
13
14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。
15
16
17_Disallow :
18
19
20_
21
22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。
23
24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。
25
26
27
28
29下面是一些robots.txt基本的用法:
30
31l 禁止所有搜索引擎访问网站的任何部分:
32User-agent: *
33Disallow: /
34
35l 允许所有的robot访问
36User-agent: *
37Disallow:
38或者也可以建一个空文件 "/robots.txt" file
39
40l 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)
41User-agent: *
42Disallow: /cgi-bin/
43Disallow: /tmp/
44Disallow: /private/
45
46l 禁止某个搜索引擎的访问(下例中的BadBot)
47User-agent: BadBot
48Disallow: /
49
50l 只允许某个搜索引擎的访问(下例中的WebCrawler)
51User-agent: WebCrawler
52Disallow:
53
54User-agent: *
55Disallow: /
56
57
58
59
603、 **常见搜索引擎机器人Robots** **名字**
61
62
63
64
65
66名称 搜索引擎
67
68Baiduspider http://www.baidu.com
69
70Scooter http://www.altavista.com
71
72ia_archiver http://www.alexa.com
73
74Googlebot http://www.google.com
75
76FAST-WebCrawler http://www.alltheweb.com
77
78Slurp http://www.inktomi.com
79
80MSNBOT http://search.msn.com
81
82
83**4、** **robots.txt** ** 举例
84**
85
86下面是一些著名站点的robots.txt:
87
88http://www.cnn.com/robots.txt
89
90http://www.cnn.com/robots.txt
91
92http://www.google.com/robots.txt
93
94http://www.ibm.com/robots.txt
95
96http://www.sun.com/robots.txt
97
98http://www.eachnet.com/robots.txt
99
100
101**5、** **常见robots.txt** **错误
102**
103
104
105l 颠倒了顺序:
106错误写成
107User-agent: *
108Disallow: GoogleBot
109
110正确的应该是:
111User-agent: GoogleBot
112Disallow: *
113
114l 把多个禁止命令放在一行中:
115例如,错误地写成
116Disallow: /css/ /cgi-bin/ /images/
117
118正确的应该是
119Disallow: /css/
120Disallow: /cgi-bin/
121Disallow: /images/
122
123l 行前有大量空格
124例如写成
125Disallow: /cgi-bin/
126尽管在标准没有谈到这个,但是这种方式很容易出问题。
127
128l 404重定向到另外一个页面:
129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。
130
131l 采用大写。例如
132USER-AGENT: EXCITE
133DISALLOW:
134虽然标准是没有大小写的,但是目录和文件名应该小写:
135user-agent:GoogleBot
136disallow:
137
138l 语法中只有Disallow,没有Allow!
139错误的写法是:
140User-agent: Baiduspider
141Disallow: /john/
142allow: /jane/
143
144l 忘记了斜杠/
145错误的写做:
146User-agent: Baiduspider
147Disallow: css
148
149正确的应该是
150User-agent: Baiduspider
151Disallow: /css/
152
153下面一个小工具专门检查robots.txt文件的有效性:
154
155http://www.searchengineworld.com/cgi-bin/robotcheck.cgi
156
157
158
159
160二、 Robots META标签
161
162
163
164
1651、 **什么是** **Robots META** **标签**
166
167
168
169Robots.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):
170
171
172
173
174<html>
175<head>
176<title>时代营销--网络营销专业门户</title>
177
178** <meta content="index,follow" name="Robots"/>
179**
180
181<meta content="text/html; charset=utf-8" http-equiv="Content-Type"/>
182<meta content="营销... " name="keywords"/>
183<meta content="时代营销网是..." name="description"/>
184<link href="http://www.cndw.com/public/css.css" rel="stylesheet" type="text/css"/>
185</head>
186<body>
187
188...
189
190</body>
191</html>
192
193
194
195
1962、 **Robots META** **标签的写法:**
197
198
199
200
201Robots 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。
202
203**INDEX** 指令告诉搜索机器人抓取该页面;
204
205**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;
206
207Robots 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。
208
209
210
211
212这样,一共有四种组合:
213
214<meta content="INDEX,FOLLOW" name="ROBOTS"/>
215<meta content="NOINDEX,FOLLOW" name="ROBOTS"/>
216<meta content="INDEX,NOFOLLOW" name="ROBOTS"/>
217<meta content="NOINDEX,NOFOLLOW" name="ROBOTS"/>
218
219
220
221
222其中
223
224<meta content="INDEX,FOLLOW" name="ROBOTS"/> 可以写成
225
226<meta content="ALL" name="ROBOTS"/>;
227
228<meta content="NOINDEX,NOFOLLOW" name="ROBOTS"/>可以写成
229
230<meta content="NONE" name="ROBOTS"/>
231
232
233**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。
234
235
236
237
238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:
239
240<meta content="index,follow,noarchive" name="googlebot"/>
241
242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>