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
相應的 robots.txt的 URL
http://www.w3.org:80/robots.txt
http://www.w3.org:1234/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
Baiduspiderhttp://www.baidu.com
Scooterhttp://www.altaVista.com
ia_archiverhttp://www.Alexa.com
Googlebothttp://www.google.com
FAST-WebCrawlerhttp://www.alltheweb.com
Slurphttp://www.inktomi.com
MSNBOThttp://search.msn.com
4、 robots.txt舉例
下面是一些著名站點的robots.txt:
http://www.google.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、關(guān)鍵詞等)一樣，Robots META標簽也是放在頁面的中，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>
<title>時代營銷--網(wǎng)絡營銷專業(yè)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="descr <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(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:
<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">
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:<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(wǎng)頁快照
為網(wǎng)站的Web Robot 設計路標
HTML文檔中小meta的大作用
Robots.txt指南
Robots Meta Tag的使用
新聞熱點
疑難解答
