robots.txt文件格式详解

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