一、 robots.txt
1、 什麼是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,如果找到,搜索機器人就會按照該文件中的內容來確定訪問的範圍,如果該文件不存在,那麼搜索機器人就沿着鏈接抓取。
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作爲結束符),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#進行註解,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,後面加上若干Disallow行,詳細情況如下:
User-agent:
該項的值用於描述搜索引擎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。如果該項的值設爲*,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 :
該項的值用於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記錄爲空,說明該網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,則對於所有的搜索引擎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 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
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
下面是一些著名站點的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/
儘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麼問題,但是最好能放一個空白的robots.txt文件在站點根目錄下。
l 採用大寫。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 忘記了斜槓/
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標籤
1、什麼是Robots meta標籤
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標籤則主要是針對一個個具體的頁面。和其他的meta標籤(如使用的語言、頁面的描述、關鍵詞等)一樣,Robots meta標籤也是放在頁面的<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" con_tent="index,follow">
<meta http-equiv="Content-Type" Con_TENT="text/html; charset=gb2312">
<meta name="keywords" con_tent="營銷… ">
<meta name="description" con_tent="時代營銷網是…">
<link rel="stylesheet" href="/public/css.css" type="text/css">
</head>
<body>
…
</body>
</html>
2、Robots meta標籤的寫法:
Robots meta標籤中沒有大小寫之分,name=”Robots”表示所有的搜索引擎,可以針對某個具體搜索引擎寫爲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着該頁面上的鏈接繼續抓取下去;
Robots meta標籤的缺省值是INDEX和FOLLOW,只有inktomi除外,對於它,缺省值是INDEX,NOFOLLOW。
這樣,一共有四種組合:
<meta NAME="ROBOTS" Con_TENT="INDEX,FOLLOW">
<meta NAME="ROBOTS" Con_TENT="NOINDEX,FOLLOW">
<meta NAME="ROBOTS" Con_TENT="INDEX,NOFOLLOW">
<meta NAME="ROBOTS" Con_TENT="NOINDEX,NOFOLLOW">
其中
<meta NAME="ROBOTS" Con_TENT="INDEX,FOLLOW">可以寫成
<meta NAME="ROBOTS" Con_TENT="ALL">;
<meta NAME="ROBOTS" Con_TENT="NOINDEX,NOFOLLOW">可以寫成
<meta NAME="ROBOTS" Con_TENT="NONE">
需要注意的是:上述的robots.txt和Robots meta標籤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,並不是每個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,而對於Robots meta標籤,目前支持的並不多,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是否保留網頁快照。例如:
<meta NAME="googlebot" Con_TENT="index,follow,noarchive">
表示抓取該站點中頁面並沿着頁面中鏈接抓取,但是不在GOOLGE上保留該頁面的網頁快照。