蜘蛛程序
robots.txt 和 Robots META 标签
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.phpl 和 /help/index.phpl 都不允许搜索引擎访问，而 "Disallow: /help/" 则允许 robot 访问 /help.phpl ，而不能访问 /help/index.phpl 。
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" 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” 。 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">
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。
|
