详解robots.txt和Robots META标签

大家好，又见面了，我是你们的朋友全栈君。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：

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

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/ 

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、 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＞时代营销–网络营销专业门户＜/title＞

＜ meta name=”Robots” con_tent=”index,follow”＞

＜ meta http-equiv=”Content-Type” Con_TENT=”text/html; charset=gb2312″＞

＜ meta name=”keywords” con_tent=”营销… “＞

＜ meta name=”description” con_tent=”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”。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” Con_TENT=”INDEX,FOLLOW”＞

＜ meta NAME=”ROBOTS” Con_TENT=”NOINDEX,FOLLOW”＞

＜ meta NAME=”ROBOTS” Con_TENT=”INDEX,NOFOLLOW”＞

＜ meta NAME=”ROBOTS” Con_TENT=”NOINDEX,NOFOLLOW”＞

其中

＜ meta NAME=”ROBOTS” Con_TENT=”INDEX,FOLLOW”＞可以写成

＜ meta NAME=”ROBOTS” Con_TENT=”ALL”＞；

＜ meta NAME=”ROBOTS” Con_TENT=”NOINDEX,NOFOLLOW”＞可以写成

＜ meta NAME=”ROBOTS” Con_TENT=”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” Con_TENT=”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。