Vincent Ping的网站

robots.txt和Robots META标签

 2003-10-18 by Vincent Ping

本文写于2003年10月，此处保留原文，仅供参考。

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。

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, 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：

  • 禁止所有搜索引擎访问网站的任何部分：

    User-agent: *

    Disallow: /

  • 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

  • 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/

  • 禁止某个搜索引擎的访问（下例中的BadBot）

    User-agent: BadBot

    Disallow: /

  • 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

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，可以学习参考：

http://www.cnn.com/robots.txt

http://www.google.com/robots.txt

http://www.ibm.com/robots.txt

http://www.oracle.com/robots.txt

http://www.taobao.com/robots.txt

5、 常见robots.txt错误

  • 颠倒了顺序，错误写成：

    User-agent: *

    Disallow: GoogleBot

    正确的应该是：

    User-agent: GoogleBot

    Disallow: *

  • 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/

  • 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。

  • 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。

  • 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:

  • 语法中只有Disallow，没有Allow语法！

    错误的写法是：

    User-agent: Baiduspider

    Disallow: /john/

    allow: /jane/

  • 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/

Google网站上有一个工具专门检查robots.txt文件的有效性（需要google账户）：

https://www.google.com/webmasters/tools/robots-testing-tool

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>时代营销--网络营销专业门户</title>
<meta name="Robots" content="index,follow">
<meta http-equiv="Content-Type" CONTENT="text/html; charset=gb2312">
<meta name="keywords" content="营销,...">
<meta name="description" content="时代营销网是.....">
<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”。co ntent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">

而

<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。

RSS及其发展历程简介
2003-10-10 by Vincent Ping

RSS是一种描述和同步网站内容的格式，是目前使用最广泛的XML应用。RSS应用在国外已经非常普遍，从个人博客（Blog）栏目、企业站点到世界级的门户都提供基于RSS的服务。

read more