Robots META标签和robots

Robots META标签和robots.txt文件

作者： 时间：2008-02-07 23:13:41 来自：

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

\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：

\。

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\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\文件中， \：*\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\对/help.html 和/help/index.html都不允许搜索引擎访问，而\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\文件中，至少要有一条Disallow记录。如果 \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：

l 禁止所有搜索引擎访问网站的任何部分： User-agent: * Disallow: /

l 允许所有的robot访问 User-agent: * Disallow:

或者也可以建一个空文件 \

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）

User-agent: *

Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /private/

l 禁止某个搜索引擎的访问（下例中的BadBot） User-agent: BadBot Disallow: /

l 只允许某个搜索引擎的访问（下例中的WebCrawler） User-agent: WebCrawler Disallow:

User-agent: * Disallow: /

3、常见搜索引擎机器人Robots名字

名称 搜索引擎

Baiduspider http://www.http://www.njliaohua.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

4、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

5、常见robots.txt错误

l 颠倒了顺序： 错误写成

User-agent: *

Disallow: GoogleBot

正确的应该是：

User-agent: GoogleBot Disallow: *

l 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/

l 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。

l 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。

l 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:

l 语法中只有Disallow，没有Allow！ 错误的写法是：

User-agent: Baiduspider Disallow: /john/ allow: /jane/