學習XHTM+CSS2.0制作標準站點方法

2019-11-18 12:02:19

字體：大中小

來源：轉載

供稿：網友

　　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在網絡上沿著網頁上的鏈接（一般是http和src鏈接）不斷抓取資料建立自己的數據庫。
　　
　　對于網站治理者和內容提供者來說，有時候會有一些站點內容，不希望被ROBOTS抓取而公開。為了解決這個問題，ROBOTS開發界提供了兩個辦法：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站中不想被robots訪問的部分，這樣，該網站的部分或全部內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，假如找到，搜索機器人就會按照該文件中的內容來確定訪問的范圍，假如該文件不存在，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。
　　網站 URL
　　相應的 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,具體情況如下：
　　
　　User-agent:
　　該項的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，假如有多條User-agent記錄說明有多個robot會受到該協議的限制，對該文件來說，至少要有一條User-agent記錄。假如該項的值設為*，則該協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都不答應搜索引擎訪問，而"Disallow: /help/"則答應robot訪問/help.html，而不能訪問/help/index.html。
　　任何一條Disallow記錄為空，說明該網站的所有部分都答應被訪問，在"/robots.txt"文件中，至少要有一條Disallow記錄。假如 "/robots.txt"是一個空文件，則對于所有的搜索引擎robot，該網站都是開放的。
　　
　　下面是一些robots.txt基本的用法：
　　l 禁止所有搜索引擎訪問網站的任何部分：
　　User-agent: *
　　Disallow: /
　　l 答應所有的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 只答應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.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舉例
　　下面是一些聞名站點的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、常見robots.txt錯誤
　　
　　l 顛倒了順序：
　　錯誤寫成
　　User-agent: *
　　Disallow: GoogleBot
　　正確的應該是：
　　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，但是這種方式很輕易出問題。
　　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經常會以處理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.searchengineworld.com/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、要害詞等）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如何抓取該頁的內容。具體的形式類似（見黑體部分）：
　　<html>
　　<head>
　　<title>時代營銷--網絡營銷專業門戶</title>
　　<meta name="Robots" content="index,follow">
　　<meta http-equiv="Content-Type" CONTENT="text/html; charset=gb2312">
　　<meta name="keyWords" content="營銷… ">
　　<meta name="description" content="時代營銷網是…">
　　<link rel="stylesheet" href="/public/css.css" type="text/css">
　　</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：
　　<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">可以寫成
　　<META NAME="ROBOTS" CONTENT="ALL">；
　　<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">可以寫成
　　<META NAME="ROBOTS" CONTENT="NONE">
　　需要注重的是：上述的robots.txt和Robots META標簽限制搜索引擎機器人（ROBOTS）抓取站點內容的辦法只是一種規則，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，絕大多數的搜索引擎機器人都遵守robots.txt的規則，而對于Robots META標簽，目前支持的并不多，但是正在逐漸增加，如聞名搜索引擎GOOGLE就完全支持，而且GOOGLE還增加了一個指令“archive”，可以限制GOOGLE是否保留網頁快照。例如：
　　<META NAME="googlebot" CONTENT="index,follow,noarchive">
　　表示抓取該站點中頁面并沿著頁面中鏈接抓取，但是不在GOOLGE上保留該頁面的網頁快照。

上一篇：在CMPP2.0 協議SP端的.NET開發

下一篇：JBuilder 2005代碼審查功能體驗（2）