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。