代码改变世界

robots.txt文件格式详解

2010-11-18 20:36  Hundre  阅读(5549)  评论(0编辑  收藏  举报

在说明ROTBOT文件的编写语法前先来了解几个重要的概念!

1. 什么是baiduspider?
  baiduspider是Baidu搜索引擎的一个自动程序。它的作用是访问互联网上的html网页,建立索引数据库,使用户能在Baidu搜索引擎中搜索到贵网站的网页。 
  
  2. baiduspider为什么大量访问我的网页?
  baiduspider访问您的网页后,会自动分析每个网页上的文字内容并记忆网页网址,然后其它网友才能通过百度搜索引擎找到您的网页。如果baiduspider不访问您的网页,那么所有通过baiduspider提供网页信息的搜索引擎都找不到您的网页,也就是说,其它网友在百度搜狐新浪雅虎Tom等几十个搜索网站都会找不到您的网页。 
  您可以到这里进一步了解搜索引擎。
  
  3. baiduspider对一个网站服务器造成的访问压力如何?
  
  对于一个网站,baiduspider每访问一个网页会间隔30秒,不会造成过大压力。
  
  4. 我不想我的网站被baiduspider访问,我该怎么做?
  
  baiduspider象其它spider一样遵守互联网robots协议。您可以利用robots.txt文件完全禁止baiduspider访问您的网站,或者禁止baiduspider访问您网站上的部分文件。
  
  注意:禁止baiduspider访问您的网站,将使您的网站上的所有网页,在Baidu搜索引擎以及所有Baidu提供搜索引擎服务的搜索引擎中无法被搜索到,包括搜狐、新浪、雅虎、Tom、Lycos等几十个搜索引擎。
  
  关于robots.txt的写作方法,请参看我们的介绍:robots.txt写作方法
  
  5. 为什么我的网站已经加了robots.txt,还能在百度搜索出来?
  
  因为搜索引擎索引数据库的更新需要时间。虽然baiduspider已经停止访问您网站上的网页,但Baidu搜索引擎数据库中已经建立的网页索引信息,可能需要2到4周才会清除。
  
  6. baiduspider多长时间之后会重新抓取我的网页?
  
  Baidu搜索引擎平均两周更新一次,网页视重要性有不同的更新率,少则几天,多则1月,baiduspider会重新访问和更新一个网页。
  
  7. baidu蜘蛛在robots.txt中的名字是什么?
  
  baiduspider,全部为小写字母。完全禁止baiduspider访问的robots文件内容为:
  
  
  User-agent: baiduspider
  Disallow: /
  
  
  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):
  
  
  <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“>
  
  
  …
  
  
  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