robots.txt 和 robots meta 标签应用详解

搜索引擎都有自己的“机器人”(robots、bot),通常也叫做“蜘蛛”和“爬虫”(spider),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 开发界提供了两个方法:一个是 robots.txt,另一个是 robots meta 标签。下面将对这两种方法进行详细的介绍。

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。

如 www.i0554.com,根目录下的 robots 就是 http://www.i0554.com/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)。在该文件中可以使用#进行注解。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。

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:

1)禁止所有搜索引擎访问网站的任何部分:

User-agent: *
Disallow: /

2)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

3)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/

4)禁止某个搜索引擎的访问(下例中的BadBot,有些流氓是不管这些的)

User-agent: BadBot
Disallow: /

5)只允许某个搜索引擎的访问(下例中的WebCrawler)

User-agent: WebCrawler
Disallow:

3、 常见搜索引擎机器人robots名字

快速链接:搜索引擎蜘蛛爬虫一览

4、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,错误写成

Disallow: /css/ /cgi-bin/ /images/

正确的应该是

Disallow: /css/
Disallow: /cgi-bin/
Disallow: /images/

3)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。

4)语法中只有Disallow,没有Allow!错误写成

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

5)忘记了斜杠/,错误写成

User-agent: Baiduspider
Disallow: css

正确的应该是

User-agent: Baiduspider
Disallow: /css/

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>xxx</title>
<meta name=”robots” content=”index,follow”>
<meta http-equiv=”Content-Type” content=”text/html; charset=gb2312″>
<meta name=”keywords” content=”xx “>
<meta name=”description” content=”xx”>
<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,指令间以小写逗号“,”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。

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”>

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。

绝大多数的搜索引擎机器人都遵守robots.txt的规则,而对于robots met
a标签,目前支持的并不多,但是正在逐渐增加,如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Google上保留该页面的网页快照。

发表评论