我們知道，搜索引擎都有自己的“搜索機(jī)器人”(ROBOTS)，并通過這些ROBOTS在網(wǎng)絡(luò)上沿著網(wǎng)頁上的鏈接(一般是http 和src鏈接)不斷抓取資料建立自己的數(shù)據(jù)庫。 對于網(wǎng)站管理者和內(nèi)容提供者來說，有時候會有一些站點(diǎn)內(nèi)容，不希望被ROBOTS抓取而公開。為了解決這個問題，ROBOTS開發(fā)界提供了兩個辦法:一個 是robots.txt，另一個是The Robots META標(biāo)簽。

一、robots.txt

1、什么是robots.txt?

robots.txt是一個純文本文件，通過在這個文件中聲明該網(wǎng)站中不想被robots訪問的部分，這樣，該網(wǎng)站的部分或全部內(nèi)容就可以不被搜索引擎收錄了，或者指定搜索引擎只收錄指定的內(nèi)容。

當(dāng)一個搜索機(jī)器人訪問一個站點(diǎn)時，它會首先檢查該站點(diǎn)根目錄下是否存在robots.txt，如果找到，搜索機(jī)器人就會按照該文件中的內(nèi)容來確定訪問的范圍，如果該文件不存在，那么搜索機(jī)器人就沿著鏈接抓取。

robots.txt必須放置在一個站點(diǎn)的根目錄下，而且文件名必須全部小寫。
   
網(wǎng)站 URL
相應(yīng)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的語法
   
“robots.txt“文件包含一條或更多的記錄，這些記錄通過空行分開(以CR,CR/NL, or NL作為結(jié)束符)，每一條記錄的格式如下所示:
   
“〈field〉:〈optionalspace〉〈value〉〈optionalspace〉“。
   
在該文件中可以使用#進(jìn)行注解，具體使用方法和UNIX中的慣例一樣。該文件中的記錄通常以一行或多行User-agent開始，后面加上若干Disallow行,詳細(xì)情況如下:
   
User-agent:
   
該項的值用于描述搜索引擎robot的名字，在“robots.txt“文件中，如果有多條User-agent記錄說明有多個robot會受到該 協(xié)議的限制，對該文件來說，至少要有一條User-agent記錄。如果該項的值設(shè)為*，則該協(xié)議對任何機(jī)器人均有效，在“robots.txt“文件 中， “User-agent:*“這樣的記錄只能有一條。
   
Disallow :
   
該項的值用于描述不希望被訪問到的一個URL，這個URL可以是一條完整的路徑，也可以是部分的，任何以Disallow 開頭的URL均不會被robot訪問到。例如“Disallow: /help“對/help.htm-- 和/help/index.html都不允許搜索引擎訪問，而“Disallow: /help/“則允許robot訪問/help.html，而不能訪問/help/index.html。
   
任何一條Disallow記錄為空，說明該網(wǎng)站的所有部分都允許被訪問，在“/robots.txt“文件中，至少要有一條Disallow記錄。如果 “/robots.txt“是一個空文件，則對于所有的搜索引擎robot，該網(wǎng)站都是開放的。

下面是一些robots.txt基本的用法:

-- 禁止所有搜索引擎訪問網(wǎng)站的任何部分:
User-agent: *
Disallow: /
 
-- 允許所有的robot訪問
User-agent: *
Disallow:
或者也可以建一個空文件 “/robots.txt“ file
  
-- 禁止所有搜索引擎訪問網(wǎng)站的幾個部分(下例中的cgi-bin、tmp、private目錄)
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /private/
  
-- 禁止某個搜索引擎的訪問(下例中的BadBot)
User-agent: BadBot
Disallow: /
   
-- 只允許某個搜索引擎的訪問(下例中的WebCrawler)
User-agent: WebCrawler
Disallow:
User-agent: *
Disallow: /

3、常見搜索引擎機(jī)器人Robots名字
名稱 搜索引擎
Baiduspiderhttp://www.baidu.com
Scooterhttp://www.altavista.com
ia_archiverhttp://www.alexa.com
Googlebothttp://www.google.com
FAST-WebCrawlerhttp://www.alltheweb.com
Slurphttp://www.inktomi.com
MSNBOThttp://search.msn.com

4、robots.txt舉例
下面是一些著名站點(diǎn)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、常見robots.txt錯誤
-- 顛倒了順序:
錯誤寫成
User-agent: *
Disallow: GoogleBot
正確的應(yīng)該是:
User-agent: GoogleBot
Disallow: *
   
-- 把多個禁止命令放在一行中:
例如，錯誤地寫成
Disallow: /css/ /cgi-bin/ /images/
正確的應(yīng)該是
Disallow: /css/
Disallow: /cgi-bin/
Disallow: /images/

-- 行前有大量空格
例如寫成
Disallow: /cgi-bin/
盡管在標(biāo)準(zhǔn)沒有談到這個，但是這種方式很容易出問題。

-- 404重定向到另外一個頁面:
當(dāng)Robot訪問很多沒有設(shè)置robots.txt文件的站點(diǎn)時，會被自動404重定向到另外一個Html頁面。這時Robot常常會以處理 robots.txt文件的方式處理這個Html頁面文件。雖然一般這樣沒有什么問題，但是最好能放一個空白的robots.txt文件在站點(diǎn)根目錄下。

-- 采用大寫。例如
USER-AGENT: EXCITE
DISALLOW:
雖然標(biāo)準(zhǔn)是沒有大小寫的，但是目錄和文件名應(yīng)該小寫:
user-agent:GoogleBot
disallow:

-- 語法中只有Disallow，沒有Allow!
錯誤的寫法是:
User-agent: Baiduspider
Disallow: /john/
allow: /jane/

-- 忘記了斜杠/
錯誤的寫做:
User-agent: Baiduspider
Disallow: css
正確的應(yīng)該是
User-agent: Baiduspider
Disallow: /css/

下面一個小工具專門檢查robots.txt文件的有效性:
http://www.searchengineworld.com/cgi-bin/robotcheck.cgi

電腦知識學(xué)習(xí)論壇為電腦初學(xué)者的疑難雜癥提供最佳解決方案。電腦基礎(chǔ)知識學(xué)習(xí)QQ群：81158926 歡迎電腦愛好者加入。

二、Robots META標(biāo)簽

1、什么是Robots META標(biāo)簽
Robots.txt文件主要是限制整個站點(diǎn)或者目錄的搜索引擎訪問情況，而Robots META標(biāo)簽則主要是針對一個個具體的頁面。和其他的META標(biāo)簽(如使用的語言、頁面的描述、關(guān)鍵詞等)一樣