搜索引擎的蜘蛛人（ROBOTS）秘密

以下文章轉自某討論區, 原作者已不可考(因上網找原作者發現大多結果了-_-")... 若原作者看到此文章並認為不應在此轉載, 請來信告知. 轉載純為供各同業參考..

搜索引擎的蜘蛛人（ROBOTS）秘密

我們知道，搜索引擎都有自己的“搜索機器人”（ROBOTS），並通過這些ROBOTS在網絡上沿著網頁上的鏈接（一般是http和src鏈接）不斷抓取資料建立自己的數據庫。

對於網站管理者和內容提供者來說，有時候會有一些站點內容，不希望被ROBOTS抓取而公開。為了解決這個問題，ROBOTS開發界提供了兩個辦法：一個是robots.txt，另一個是The Robots META標簽。

一、 robots.txt

1、 什麽是robots.txt？

robots.txt是一個純文本文件，通過在這個文件中聲明該網站中不想被robots訪問的部分，這樣，該網站的部分或全部內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容。

當一個搜索機器人訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，如果找到，搜索機器人就會按照該文件中的內容來確定訪問的範圍，如果該文件不存在，那麽搜索機器人就沿著鏈接抓取。

robots.txt必須放置在一個站點的根目錄下，而且文件名必須全部小寫。

網站 URL
相應的 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的語法

"robots.txt"文件包含一條或更多的記錄，這些記錄通過空行分開（以CR,CR/NL, or NL作為結束符），每一條記錄的格式如下所示：

　　　　":"。

在該文件中可以使用#進行註解，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，後面加上若幹Disallow行,詳細情況如下：

User-agent:

該 項的值用於描述搜索引擎robot的名字，在"robots.txt"文件中，如果有多條User-agent記錄說明有多個robot會受到該協議的限 制，對該文件來說，至少要有一條User-agent記錄。如果該項的值設為*，則該協議對任何機器人均有效，在"robots.txt"文件中， "User-agent：*"這樣的記錄只能有一條。

Disallow :

該 項的值用於描述不希望被訪問到的一個URL，這個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均不會被robot訪問到。例如"Disallow: /help"對/help.html 和/help/index.html都不允許搜索引擎訪問，而"Disallow: /help/"則允許robot訪問/help.html，而不能訪問/help/index.html。

任何一條Disallow記錄為空，說明該網站的所有部分都允許被訪問，在"/robots.txt"文件中，至少要有一條Disallow記錄。如果 "/robots.txt"是一個空文件，則對於所有的搜索引擎robot，該網站都是開放的。

下面是一些robots.txt基本的用法：

l 禁止所有搜索引擎訪問網站的任何部分：
User-agent: *
Disallow: /

l 允許所有的robot訪問
User-agent: *
Disallow:
或者也可以建一個空文件 "/robots.txt" file

l 禁止所有搜索引擎訪問網站的幾個部分（下例中的cgi-bin、tmp、private目錄）
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /private/

l 禁止某個搜索引擎的訪問（下例中的BadBot）
User-agent: BadBot
Disallow: /

l 只允許某個搜索引擎的訪問（下例中的WebCrawler）
User-agent: WebCrawler
Disallow:

User-agent: *
Disallow: /


3、 常見搜索引擎機器人Robots名字

名稱 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舉例

下面是一些著名站點的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、 常見robots.txt錯誤

l 顛倒了順序：
錯誤寫成
User-agent: *
Disallow: GoogleBot

正確的應該是：
User-agent: GoogleBot
Disallow: *

l 把多個禁止命令放在一行中：
例如，錯誤地寫成
Disallow: /css/ /cgi-bin/ /images/

正確的應該是
Disallow: /css/
Disallow: /cgi-bin/
Disallow: /images/

l 行前有大量空格
例如寫成
Disallow: /cgi-bin/
盡管在標準沒有談到這個，但是這種方式很容易出問題。

l 404重定向到另外一個頁面：
當Robot 訪問很多沒有設置robots.txt文件的站點時，會被自動404重定向到另外一個Html頁面。這時Robot常常會以處理robots.txt文件 的方式處理這個Html頁面文件。雖然一般這樣沒有什麽問題，但是最好能放一個空白的robots.txt文件在站點根目錄下。

l 采用大寫。例如
USER-AGENT: EXCITE
DISALLOW:
雖然標準是沒有大小寫的，但是目錄和文件名應該小寫：
user-agent:GoogleBot
disallow:

l 語法中只有Disallow，沒有Allow！
錯誤的寫法是：
User-agent: Baiduspider
Disallow: /john/
allow: /jane/

l 忘記了斜杠/
錯誤的寫做：
User-agent: Baiduspider
Disallow: css

正確的應該是
User-agent: Baiduspider
Disallow: /css/

下面一個小工具專門檢查robots.txt文件的有效性：

http://www.searchengineworld.com/cgi-bin/robotcheck.cgi