基础知识：robots.txt和Robots META标签

Posted on By 龙舞天翔 基础知识：robots.txt和Robots META标签无评论

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。  

  • robots.txt
  • 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
  • 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：

　　　　”<field>:<optionalspace><value><optionalspace>”。

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：

User-agent:

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。

Disallow :

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。

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。

下面是一些robots.txt基本的用法：

  • 禁止所有搜索引擎访问网站的任何部分：
    User-agent: *
    Disallow: /
  • 允许所有的robot访问
    User-agent: *
    Disallow:
    或者也可以建一个空文件 “/robots.txt” file
  • 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）
    User-agent: *
    Disallow: /cgi-bin/
    Disallow: /tmp/
    Disallow: /private/
  • 禁止某个搜索引擎的访问（下例中的BadBot）
    User-agent: BadBot
    Disallow: /
  • 只允许某个搜索引擎的访问（下例中的WebCrawler）
    User-agent: WebCrawler
    Disallow:

    User-agent: *
    Disallow: /
  • 常见搜索引擎机器人Robots名字





名称                     搜索引擎





Baiduspider            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










  • robots.txt举例





下面是一些著名站点的robots.txt：





http://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





  • 常见robots.txt错误





  • 颠倒了顺序：
    错误写成
    User-agent: *
    Disallow: GoogleBot

    正确的应该是：
    User-agent: GoogleBot
    Disallow: *
    • 把多个禁止命令放在一行中：
      例如，错误地写成
      Disallow: /css/ /cgi-bin/ /images/

      正确的应该是
      Disallow: /css/
      Disallow: /cgi-bin/
      Disallow: /images/
    • 行前有大量空格
      例如写成
              Disallow: /cgi-bin/
      尽管在标准没有谈到这个，但是这种方式很容易出问题。
    • 404重定向到另外一个页面：
      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。
    • 采用大写。例如
      USER-AGENT: EXCITE
      DISALLOW:
      虽然标准是没有大小写的，但是目录和文件名应该小写：
      user-agent:GoogleBot
      disallow:
    • 语法中只有Disallow，没有Allow！
      错误的写法是：
      User-agent: Baiduspider      
      Disallow: /john/
      allow: /jane/
    • 忘记了斜杠/
      错误的写做：
      User-agent: Baiduspider      
      Disallow: css

      正确的应该是
      User-agent: Baiduspider      
      Disallow: /css/





下面一个小工具专门检查robots.txt文件的有效性：





http://www.searchengineworld.com/cgi-bin/robotcheck.cgi





  • Robots META标签





1、什么是Robots META标签





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）：





<html>





<head>





<title>时代营销–网络营销专业门户</title>





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





<meta http-equiv=”Content-Type” CONTENT=”text/html; charset=gb2312″>





<meta name=”keywords” content=”营销… “>





<meta name=”description” content=”时代营销网是…”>





<link rel=”stylesheet” href=”/public/css.css” type=”text/css”>





</head>





<body>





…





</body>





</html>





2、Robots META标签的写法：





Robots 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。





INDEX 指令告诉搜索机器人抓取该页面；





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；





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。





这样，一共有四种组合：





<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”>可以写成





<META NAME=”ROBOTS” CONTENT=”ALL”>；





<META NAME=”ROBOTS” CONTENT=”NOINDEX,NOFOLLOW”>可以写成





<META NAME=”ROBOTS” CONTENT=”NONE”> 





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。





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：





<META NAME=”googlebot” CONTENT=”index,follow,noarchive”>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。



				 Post Views: 272
			
		

	


				
				系统及其他			
						
				Tags:, 			
			


	



		

		
发表回复