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TheRobotsMETA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,orNL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： 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"/robots.txt"file 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 Baiduspiderhttp://www.baidu.com Scooterhttp://www.altavista.com ia_archiverhttp://www.alexa.com Googlebothttp://www.google.com Inktomi Slurp http://www.yahoo.com FAST-WebCrawler http://www.alltheweb.com Slurphttp://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。 l404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/ l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、RobotsMETA标签 1、什么是RobotsMETA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RobotsMETA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，RobotsMETA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、RobotsMETA标签的写法： RobotsMETA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； RobotsMeta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RobotsMETA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RobotsMETA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 User-agent:GoogleBot 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 |
|小黑屋|最新主题|手机版|微赢网络技术论坛
( 苏ICP备08020429号 )
GMT+8, 2024-11-6 03:09 , Processed in 0.637766 second(s), 12 queries , Gzip On, MemCache On.
Powered by Discuz! X3.5
© 2001-2023 Discuz! Team.
