robots.txt 及 robots Meta 标签用法
  • 首页 > 电脑网络
  • 作者: Joseffu
  • 2006年7月13日 0:20 星期四
  • 浏览:4553 次
  • 字号:    
  • 评论:0 条  
  • 时间:2006-7-13 0:20   浏览:4553  

    1. 什么是 robots.txt 文件?
    搜索引擎通过一种程序robot(又称spider),自动访问互联网上的网页并获取网页信息。
    您可以在您的网站中创建一个纯文本文件robots.txt,在这个文件中声明该网站中不想被robot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。


    2. robots.txt 文件放在哪里?

    robots.txt 文件应该放在网站根目录下。举例来说,当robots访问一个网站(比如 //www.abc.com )时,首先会检查该网站中是否存在 //www.abc.com/robots.txt 这个文件,如果机器人找到这个文件,它就会根据这个文件的内容,来确定它访问权限的范围。

    网站 URL相应的 robots.txt的 URL
    //www.w3.org///www.w3.org/robots.txt
    //www.w3.org:80///www.w3.org:80/robots.txt
    //www.w3.org:1234///www.w3.org:1234/robots.txt
    //w3.org/ //w3.org/robots.txt


    3. robots.txt 文件的格式
    "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。

    4. robots.txt 文件用法举例

    例1. 禁止所有搜索引擎访问网站的任何部分
    下载该 robots.txt 文件
    User-agent: *
    Disallow: /
    例2. 允许所有的robot访问 (或者也可以建一个空文件 "/robots.txt" file)User-agent: *
    Disallow:
    例3. 禁止某个搜索引擎的访问User-agent: BadBot
    Disallow: /
    例4. 允许某个搜索引擎的访问User-agent: baiduspider
    Disallow:


    User-agent: *
    Disallow: /
    例5.一个简单例子
      在这个例子中,该网站有三个目录对搜索引擎的访问做了限制,即搜索引擎不会访问这三个目录。
      需要注意的是对每一个目录必须分开声明,而不要写成 "Disallow: /cgi-bin/ /tmp/"。
      User-agent:后的*具有特殊的含义,代表"any robot",所以在该文件中不能有"Disallow: /tmp/*" or "Disallow:*.gif"这样的记录出现.
    User-agent: *
    Disallow: /cgi-bin/
    Disallow: /tmp/
    Disallow: /~joe/


    5. robots.txt 文件参考资料

    robots.txt 文件的更具体设置,请参看以下链接:

    以上资料来自://www.baidu.com/search/robots.html


    一. 常见搜索引擎机器人Robots名字

    名称搜索引擎
    Baiduspider//www.baidu.com
    Scooter//www.altavista.com
    ia_archiver//www.alexa.com
    GoogleBot//www.google.com
    FAST-WebCrawler//www.alltheweb.com
    Slurp//www.inktomi.com
    MSNBot//search.msn.com

    二. robots.txt 举例

    下面是一些著名站点的 robots.txt:

      //www.cnn.com/robots.txt
      //www.google.com/robots.txt
      //www.ibm.com/robots.txt
      //www.sun.com/robots.txt


    三. 常见 robots.txt 错误

    1. 颠倒了顺序

      错误写成

      User-agent: *
      Disallow: GoogleBot

      正确的应该是:

      User-agent: GoogleBot
      Disallow: *

    2. 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/

    3. 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。

    4. 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。

    5. 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:

    6. 语法中只有Disallow,没有Allow

      错误的写法是

      User-agent: Baiduspider
      Disallow: /john/
      allow: /jane/

    7. 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/

    四、 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:

      <html>
      <head>
      <title>新华网-全球新闻网</title>
      <meta name="Robots" content="index,follow">
      <meta http-equiv="Content-Type" CONTENT="text/html; charset=gb2312">
      <meta name="keywords" content="新华社…… ">
      <meta name="description" content="新华网是由……">
      <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">

      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。

  • 本文没有标签
    昵称  邮箱  主页 
    表情1 表情2 表情3 表情4 表情5 表情6 表情7 表情8 表情9 表情10 表情11 表情12 表情13 表情14 表情15 表情16 表情17 表情18 表情19 表情20 表情21
    54 + 73 =
    Copyright © 2004-2021  Joseffu Online 博客首页 鲁ICP备2021023008号-1 繁体中文
  • 日志:287 篇
  • 评论:207 条
  • 微语:22 条
  • 友链:18 个
  • 分类:5 个
  • 标签:29 个
  • 建站:2004-11-22

    已运行