网站robots.txt文件简析

 

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不断抓取资料建立自己的数据库。

如果网站某些网页不希望被抓取，ROBOTS开发界提供了两个办法：一个是robots.txt，另一个是TheRobotsMETA标签。本文只提及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

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,orNL作为结束符），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。关于搜索引擎robots的名字,请参考文章"搜索引擎蜘蛛程序名称大全"（http://www.bloghuman.com/post/265/）。

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；

"Disallow:/help/"   对robot允许访问/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：

禁止所有搜索引擎访问网站的任何部分：
User-agent: *
Disallow: /

允许所有的robot访问
User-agent: *
Disallow:
或者也可以建一个空文件:robots.txt

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/

禁止某个搜索引擎的访问（下例中的BadBot）
User-agent: BadBot
Disallow: /

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

名称搜索引擎         URL

Baiduspider             http://www.baidu.com

Scooter                   http://www.altavista.com

ia_archiver              http://www.alexa.com

Googlebot               http://www.google.com

Inktomi Slurp          http://www.yahoo.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.google.com/robots.txt

http://www.ibm.com/robots.txt

http://www.sun.com/robots.txt

http://www.eachnet.com/robots.txt

http://www.baidu.com/robots.txt


5、常见robots.txt错误

颠倒了顺序：
错误写成
User-agent: *
Disallow: GoogleBot

正确的应该是：
User-agent:GoogleBot
Disallow: /

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/

行前有大量空格

      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。

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。

采用大写
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:

语法中只有Disallow，没有Allow！
错误的写法是：
User-agent: Baiduspider
Disallow: /john/
Allow: /jane/

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

 

 

原文摘录自：http://www.bloghuman.com/post/67/