网站优化：robots.txt和Robots META标签0
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。
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：
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 [pre] [/pre]
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
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/
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
如何抓取该页的内容。具体的形式类似（见黑体部分）： <html> <head> <title>
标题
</title>
<meta name="Robots" content="index,follow"> <meta http-equiv="Content-Type" CONTENT="text/html; charset=gb2312"> <meta name="keywords" content="
免费空间… "> <meta name="description" content="本站
是…"> <link rel="stylesheet" href="/public/css.css" type="text/css"> </head> <body> … </body> </html> 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： <META NAME="ROBOTS" CONTENT="INDEX,FOLLOW"> <META NAME="ROBOTS" CONTENT="NOINDEX,FOLLOW"> <META NAME="ROBOTS" CONTENT="INDEX,NOFOLLOW"> <META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">
其中 <META NAME="ROBOTS" CONTENT="INDEX,FOLLOW">
可以写成 <META NAME="ROBOTS" CONTENT="ALL">
； <META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">
可以写成 <META NAME="ROBOTS" CONTENT="NONE">
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： <META NAME="googlebot" CONTENT="index,follow,noarchive">
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。
扫一扫
3541
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
