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