robots.txt和Robots META標簽

mythtian 2005-11-14

展開全文

robots.txt和Robots META標簽

我們知道，搜索引擎都有自己的“搜索機器人”（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，有時候會有一些站點內(nèi)容，不希望被ROBOTS抓取而公開。為了解決這個問題，ROBOTS開發(fā)界提供了兩個辦法：一個是robots.txt，另一個是The Robots META標簽。

一、 robots.txt

1、 什么是robots.txt？

robots.txt是一個純文本文件，通過在這個文件中聲明該網(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。

當一個搜索機器人訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，如果找到，搜索機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，那么搜索機器人就沿著鏈接抓取。

robots.txt必須放置在一個站點的根目錄下，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,詳細情況如下：

User-agent:

該項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。如果該項的值設(shè)為*，則該協(xié)議對任何機器人均有效，在"robots.txt"文件中， "User-agent：*"這樣的記錄只能有一條。

Disallow :

該項的值用于描述不希望被訪問到的一個URL，這個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:
或者也可以建一個空文件 "/robots.txt" file

l 禁止所有搜索引擎訪問網(wǎng)站的幾個部分（下例中的cgi-bin、tmp、private目錄）
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /private/

l 禁止某個搜索引擎的訪問（下例中的BadBot）
User-agent: BadBot
Disallow: /

l 只允許某個搜索引擎的訪問（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的robots.txt：

http://www./robots.txt

http://www.google.com/robots.txt

http://www.ibm.com/robots.txt

http://www./robots.txt

5、 常見robots.txt錯誤

l 顛倒了順序：
錯誤寫成
User-agent: *
Disallow: GoogleBot

正確的應(yīng)該是：
User-agent: GoogleBot
Disallow: *

l 把多個禁止命令放在一行中：
例如，錯誤地寫成
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/
盡管在標準沒有談到這個，但是這種方式很容易出問題。

l 404重定向到另外一個頁面：
當Robot訪問很多沒有設(shè)置robots.txt文件的站點時，會被自動404重定向到另外一個Html頁面。這時Robot常常會以處理robots.txt文件的方式處理這個Html頁面文件。雖然一般這樣沒有什么問題，但是最好能放一個空白的robots.txt文件在站點根目錄下。

l 采用大寫。例如
USER-AGENT: EXCITE
DISALLOW:
雖然標準是沒有大小寫的，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！
錯誤的寫法是：
User-agent: Baiduspider
Disallow: /john/
allow: /jane/

l         忘記了斜杠/
錯誤的寫做：
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標簽

1、什么是Robots META標簽

Robots.txt文件主要是限制整個站點或者目錄的搜索引擎訪問情況，而Robots META標簽則主要是針對一個個具體的頁面。和其他的META標簽（如使用的語言、頁面的描述、關(guān)鍵詞等）一樣，Robots META標簽也是放在頁面的<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>

<meta name="Robots" content="index,follow">

</head>

<body>

…

</body>

</html>

2、Robots META標簽的寫法：

Robots META標簽中沒有大小寫之分，name=”Robots”表示所有的搜索引擎，可以針對某個具體搜索引擎寫為name=”BaiduSpider”。content部分有四個指令選項：index、noindex、follow、nofollow，指令間以“,”分隔。

INDEX 指令告訴搜索機器人抓取該頁面；

FOLLOW 指令表示搜索機器人可以沿著該頁面上的鏈接繼續(xù)抓取下去；

Robots Meta標簽的缺省值是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：

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

需要注意的是：上述的robots.txt和Robots META標簽限制搜索引擎機器人（ROBOTS）抓取站點內(nèi)容的辦法只是一種規(guī)則，需要搜索引擎機器人的配合才行，并不是每個ROBOTS都遵守的。

目前看來，絕大多數(shù)的搜索引擎機器人都遵守robots.txt的規(guī)則，而對于Robots META標簽，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還增加了一個指令“archive”，可以限制GOOGLE是否保留網(wǎng)頁快照。例如：