官方微博:http://t.qq.com/moollylive
莫逆动态 咨询热线(TEL):400-878-1993

robots.txt和Robots META标签

 

  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:
     "<field>:<optionalspace><value><optionalspace>" 。
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:
 

 

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
Baiduspider            
Scooter              
ia_archiver             
Googlebot           
FAST-WebCrawler http://www.alltheweb.com
Slurp                  
MSNBOT           
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。
l          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。
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、           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 <head></head> 中,专门用来告诉搜索引擎 ROBOTS

 

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 :

 

版权所有:上海莫逆网络科技有限公司 ©2009-2021 All Rights Reserved. 沪ICP备10025716号-3 常年法律顾问:吴渊源
null
null
null