搜索引擎的蜘蛛人（ROBOTS）秘密

搜索引擎的蜘蛛人（ROBOTS）秘密
搜索引擎的蜘蛛人（ROBOTS）秘密——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…… 
-------------------------------------------------------------------------------- 
　　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 

　　"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: 

　　":"。 

　　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: / 

　　3、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 

　　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 

　　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 

　　二、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): 

　　 

　　 

　　 

　　  

　　 

　　  

　　  

　　 

　　 

　　 

　　… 

　　 

　　 

　　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: 

　　  

　　  

　　  

　　  

　　其中 

　　 可以写成 

　　 ; 

　　 可以写成 

　　  

　　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: 

　　  

　　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。 

　　例子: 

　　# robots‚ scram 

　　User-agent: * 

　　Disallow: /cgi-bin 

　　Disallow: /TRANSCRIPTS 

　　Disallow: /development 

　　Disallow: /third 

　　Disallow: /beta 

　　Disallow: /java 

　　Disallow: /shockwave 

　　Disallow: /JOBS 

　　Disallow: /pr 

　　Disallow: /Interactive 

　　Disallow: /alt_index.html 

　　Disallow: /webmaster_logs 

　　Disallow: /newscenter 

　　Disallow: /virtual 

　　Disallow: /DIGEST 

　　Disallow: /QUICKNEWS 

　　Disallow: /SEARCH 

　　User-agent: Mozilla/3.01 (hotwired-test/0.1) 

　　Disallow: /cgi-bin 

　　Disallow: /TRANSCRIPTS 

　　Disallow: /development 

　　Disallow: /third 

　　Disallow: /beta 

　　Disallow: /java 

　　Disallow: /shockwave 

　　Disallow: /JOBS 

　　Disallow: /pr 

　　Disallow: /Interactive 

　　Disallow: /alt_index.html 

　　Disallow: /webmaster_logs 

　　Disallow: /newscenter 

　　Disallow: /virtual 

　　Disallow: /DIGEST 

　　Disallow: /QUICKNEWS 

　　Disallow: /SEARCH 

　　User-agent: Slurp 

　　Disallow: /cgi-bin 

　　Disallow: /TRANSCRIPTS 

　　Disallow: /development 

　　Disallow: /third 

　　Disallow: /beta 

　　Disallow: /java 

　　Disallow: /shockwave 

　　Disallow: /JOBS 

　　Disallow: /pr 

　　Disallow: /Interactive 

　　Disallow: /alt_index.html 

　　Disallow: /webmaster_logs 

　　Disallow: /newscenter 

　　Disallow: /virtual 

　　Disallow: /DIGEST 

　　Disallow: /QUICKNEWS 

　　Disallow: /SEARCH 

　　User-agent: Scooter 

　　Disallow: /cgi-bin 

　　Disallow: /TRANSCRIPTS 

　　Disallow: /development 

　　Disallow: /third 

　　Disallow: /beta 

　　Disallow: /java 

　　Disallow: /shockwave 

　　Disallow: /JOBS 

　　Disallow: /pr 

　　Disallow: /Interactive 

　　Disallow: /alt_index.html 

　　Disallow: /webmaster_logs 

　　Disallow: /newscenter 

　　Disallow: /virtual 

　　Disallow: /DIGEST 

　　Disallow: /QUICKNEWS 

　　Disallow: /SEARCH 

　　User-agent: Ultraseek 

　　Disallow: /cgi-bin 

　　#Disallow: /TRANSCRIPTS 

　　Disallow: /development 

　　Disallow: /third 

　　Disallow: /beta 

　　Disallow: /java 

　　Disallow: /shockwave 

　　Disallow: /JOBS 

　　Disallow: /pr 

　　Disallow: /Interactive 

　　Disallow: /alt_index.html 

　　Disallow: /webmaster_logs 

　　Disallow: /newscenter 

　　Disallow: /virtual 

　　Disallow: /DIGEST 

　　Disallow: /QUICKNEWS 

　　Disallow: /SEARCH 

　　User-agent: smallbear 

　　Disallow: /cgi-bin 

　　Disallow: /java 

　　Disallow: /images 

　　Disallow: /development 

　　Disallow: /third 

　　Disallow: /beta 

　　Disallow: /webmaster_logs 

　　Disallow: /virtual 

　　Disallow: /shockwave 

　　Disallow: /TRANSCRIPTS 

　　Disallow: /newscenter 

　　Disallow: /virtual 

　　Disallow: /DIGEST 

　　Disallow: /QUICKNEWS 

　　Disallow: /SEARCH 

　　Disallow: /alt_index.html 

您的姓名： 匿名发送

电子邮件：

评论内容：
不能超过100个字符

所有留言只代表网友个人观点，不代表本站观点。
请各位遵纪守法并注意语言文明。