搜索引擎蜘蛛及Robots详解

对于网站治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，假如找到，搜索机器人就会按照该文件中的内容来确定访问的范围，假如该文件不存在，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,具体情况如下：


User-agent:


该项的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，假如有多条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。假如该项的值设为*，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都不答应搜索引擎访问，而"Disallow:/help/"则答应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答应被访问，在"/robots.txt"文件中，至少要有一条Disallow记录。假如"/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答应所有的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只答应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

下面是一些闻名站点的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，但是这种方式很轻易出问题。

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经常会以处理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、要害词等）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。

文章地址:   http://www.xinasp.com/html/wangzhanyunying/wangzhantuiguang/20070430/6069.shtml
tag： 详解 蜘蛛 搜索引擎 共2页: 上一页 1 [2] 下一页