免費(fèi)索取
《
《
SEO
賺錢方法大揭秘》
王通老師根據(jù)大量實(shí)戰(zhàn)賺錢案例和經(jīng)驗(yàn)撰寫，它將徹底顛覆你的賺錢思維
現(xiàn)在留言，即可免費(fèi)獲得
新書推薦
我們的著作
robots.txt和robots meta標(biāo)簽
搜索引擎都有自己的“搜索機(jī)器人”（ROBOTS），并通過(guò)這些ROBOTS在網(wǎng)絡(luò)上沿著網(wǎng)頁(yè)上的鏈接（一般是http和src鏈接）不斷抓取資料建立自己的數(shù)據(jù)庫(kù)。 對(duì)于網(wǎng)站管理者和內(nèi)容提供者來(lái)說(shuō)，有時(shí)候會(huì)有一些站點(diǎn)內(nèi)容，不希望被ROBOTS抓取而公開。為了解決這個(gè)問(wèn)題，ROBOTS開發(fā)界提供了兩個(gè)辦法：一個(gè)是robots.txt，另一個(gè)是The Robots META標(biāo)簽。
一、 robots.txt
1、 什么是robots.txt？
robots.txt是一個(gè)純文本文件，通過(guò)在這個(gè)文件中聲明該網(wǎng)站中不想被robots訪問(wèn)的部分，這樣，該網(wǎng)站的部分或全部?jī)?nèi)容就可以不被搜索引擎收錄了，或者指定搜索引擎只收錄指定的內(nèi)容。
當(dāng)一個(gè)搜索機(jī)器人訪問(wèn)一個(gè)站點(diǎn)時(shí)，它會(huì)首先檢查該站點(diǎn)根目錄下是否存在robots.txt，如果找到，搜索機(jī)器人就會(huì)按照該文件中的內(nèi)容來(lái)確定訪問(wèn)的范圍，如果該文件不存在，那么搜索機(jī)器人就沿著鏈接抓取。
robots.txt必須放置在一個(gè)站點(diǎn)的根目錄下，而且文件名必須全部小寫。
|
網(wǎng)站 URL
|
相應(yīng)的 robots.txt的 URL
|
|
www.w3.org/
|
www.w3.org/robots.txt
|
|
www.w3.org:80/
|
www.w3.org:80/robots.txt
|
|
www.w3.org:1234/
|
www.w3.org:1234/robots.txt
|
|
w3.org/
|
w3.org/robots.txt
|
2、 robots.txt的語(yǔ)法
"robots.txt"文件包含一條或更多的記錄，這些記錄通過(guò)空行分開（以CR,CR/NL, or NL作為結(jié)束符），每一條記錄的格式如下所示：
"<field>:<optionalspace><value><optionalspace>"。
在該文件中可以使用#進(jìn)行注解，具體使用方法和UNIX中的慣例一樣。該文件中的記錄通常以一行或多行User-agent開始，后面加上若干Disallow行,詳細(xì)情況如下：
User-agent:
該項(xiàng)的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，如果有多條User-agent記錄說(shuō)明有多個(gè)robot會(huì)受到該協(xié)議的限制，對(duì)該文件來(lái)說(shuō)，至少要有一條User-agent記錄。如果該項(xiàng)的值設(shè)為*，則該協(xié)議對(duì)任何機(jī)器人均有效，在"robots.txt"文件中， "User-agent：*"這樣的記錄只能有一條。
Disallow :
該項(xiàng)的值用于描述不希望被訪問(wèn)到的一個(gè)URL，這個(gè)URL可以是一條完整的路徑，也可以是部分的，任何以Disallow 開頭的URL均不會(huì)被robot訪問(wèn)到。例如"Disallow: /help"對(duì)/help.html 和/help/index.html都不允許搜索引擎訪問(wèn)，而"Disallow: /help/"則允許robot訪問(wèn)/help.html，而不能訪問(wèn)/help/index.html。
任何一條Disallow記錄為空，說(shuō)明該網(wǎng)站的所有部分都允許被訪問(wèn)，在"/robots.txt"文件中，至少要有一條Disallow記錄。如果 "/robots.txt"是一個(gè)空文件，則對(duì)于所有的搜索引擎robot，該網(wǎng)站都是開放的。
3、robots.txt基本的用法：
下面是一些robots.txt基本的用法：
n 禁止所有搜索引擎訪問(wèn)網(wǎng)站的任何部分：
User-agent: *
Disallow: /
Disallow: /
n 允許所有的robot訪問(wèn)
User-agent: *
Disallow:
Disallow:
或者也可以建一個(gè)空文件 "/robots.txt" file
n 禁止所有搜索引擎訪問(wèn)網(wǎng)站的幾個(gè)部分（下例中的cgi-bin、tmp、private目錄）
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /private/
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /private/
n 禁止某個(gè)搜索引擎的訪問(wèn)（下例中的BadBot）
User-agent: BadBot
Disallow: /
Disallow: /
n 只允許某個(gè)搜索引擎的訪問(wèn)（下例中的WebCrawler）
User-agent: WebCrawler
Disallow:
User-agent: *
Disallow: /
Disallow:
User-agent: *
Disallow: /
n 常見搜索引擎機(jī)器人Robots名字
|
名稱
|
搜索引擎
|
|
Baiduspider
|
www.baidu.com
|
|
Scooter
|
www.altavista.com
|
|
ia_archiver
|
www.alexa.com
|
|
Googlebot
|
www.google.com
|
|
FAST-WebCrawler
|
www.alltheweb.com
|
|
Slurp
|
www.inktomi.com
|
|
MSNBOT
|
search.msn.com
|
4、 robots.txt舉例
下面是一些著名站點(diǎn)的robots.txt：
www.cnn.com/robots.txt
www.google.com/robots.txt
www.ibm.com/robots.txt
www.sun.com/robots.txt
www.eachnet.com/robots.txt
www.google.com/robots.txt
www.ibm.com/robots.txt
www.sun.com/robots.txt
www.eachnet.com/robots.txt
5、 常見robots.txt錯(cuò)誤
n 顛倒了順序：
錯(cuò)誤寫成
User-agent: *
Disallow: GoogleBot
Disallow: GoogleBot
正確的應(yīng)該是：
User-agent: GoogleBot
Disallow: *
Disallow: *
n 把多個(gè)禁止命令放在一行中：
例如，錯(cuò)誤地寫成
Disallow: /css/ /cgi-bin/ /images/
正確的應(yīng)該是
Disallow: /css/
Disallow: /cgi-bin/
Disallow: /images/
Disallow: /cgi-bin/
Disallow: /images/
n 行前有大量空格
例如寫成
Disallow: /cgi-bin/
盡管在標(biāo)準(zhǔn)沒(méi)有談到這個(gè)，但是這種方式很容易出問(wèn)題。
n 404重定向到另外一個(gè)頁(yè)面：
當(dāng)Robot訪問(wèn)很多沒(méi)有設(shè)置robots.txt文件的站點(diǎn)時(shí)，會(huì)被自動(dòng)404重定向到另外一個(gè)Html頁(yè)面。這時(shí)Robot常常會(huì)以處理robots.txt文件的方式處理這個(gè)Html頁(yè)面文件。雖然一般這樣沒(méi)有什么問(wèn)題，但是最好能放一個(gè)空白的robots.txt文件在站點(diǎn)根目錄下。
n 采用大寫。例如
USER-AGENT: EXCITE
DISALLOW:
DISALLOW:
雖然標(biāo)準(zhǔn)是沒(méi)有大小寫的，但是目錄和文件名應(yīng)該小寫：
user-agent:GoogleBot
disallow:
n 語(yǔ)法中只有Disallow，沒(méi)有Allow！
錯(cuò)誤的寫法是：
User-agent: Baiduspider
Disallow: /john/
allow: /jane/
Disallow: /john/
allow: /jane/
n 忘記了斜杠/
錯(cuò)誤的寫做：
User-agent: Baiduspider
Disallow: css
Disallow: css
正確的應(yīng)該是
User-agent: Baiduspider
Disallow: /css/
Disallow: /css/
下面一個(gè)小工具專門檢查robots.txt文件的有效性：
二、Robots META標(biāo)簽
Robots.txt文件主要是限制整個(gè)站點(diǎn)或者目錄的搜索引擎訪問(wèn)情況，而Robots META標(biāo)簽則主要是針對(duì)一個(gè)個(gè)具體的頁(yè)面。和其他的META標(biāo)簽（如使用的語(yǔ)言、頁(yè)面的描述、關(guān)鍵詞等）一樣，Robots META標(biāo)簽也是放在頁(yè)面的<head></head>中，專門用來(lái)告訴搜索引擎ROBOTS如何抓取該頁(yè)的內(nèi)容。
Robots META標(biāo)簽中沒(méi)有大小寫之分，name=”Robots”表示所有的搜索引擎，可以針對(duì)某個(gè)具體搜索引擎寫為name=”BaiduSpider”。content部分有四個(gè)指令選項(xiàng)：index、noindex、follow、nofollow，指令間以“,”分隔。
INDEX 指令告訴搜索機(jī)器人抓取該頁(yè)面；
FOLLOW 指令表示搜索機(jī)器人可以沿著該頁(yè)面上的鏈接繼續(xù)抓取下去；
Robots Meta標(biāo)簽的缺省值是INDEX和FOLLOW，只有inktomi除外，對(duì)于它，缺省值是INDEX,NOFOLLOW。
這樣，一共有四種組合：
<META NAME="ROBOTS" CONTENT="INDEX,FOLLOW">
<META NAME="ROBOTS" CONTENT="NOINDEX,FOLLOW">
<META NAME="ROBOTS" CONTENT="INDEX,NOFOLLOW">
<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">
<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">可以寫成
<META NAME="ROBOTS" CONTENT="ALL">；
<META NAME="ROBOTS" CONTENT="ALL">；
<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">可以寫成
<META NAME="ROBOTS" CONTENT="NONE">
<META NAME="ROBOTS" CONTENT="NONE">
需要注意的是：上述的robots.txt和Robots META標(biāo)簽限制搜索引擎機(jī)器人（ROBOTS）抓取站點(diǎn)內(nèi)容的辦法只是一種規(guī)則，需要搜索引擎機(jī)器人的配合才行，并不是每個(gè)ROBOTS都遵守的。
目前看來(lái)，絕大多數(shù)的搜索引擎機(jī)器人都遵守robots.txt的規(guī)則，而對(duì)于Robots META標(biāo)簽，目前支持的并不多，但是正在逐漸增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE還增加了一個(gè)指令“archive”，可以限制GOOGLE是否保留網(wǎng)頁(yè)快照。例如：
<META NAME="googlebot" CONTENT="index,follow,noarchive">
表示抓取該站點(diǎn)中頁(yè)面并沿著頁(yè)面中鏈接抓取，但是不在GOOLGE上保留該頁(yè)面的網(wǎng)頁(yè)快照。
