一、什么是robots.txt文件?

 

　　搜索引擎通過(guò)一種程序robot（又稱spider），自動(dòng)訪問(wèn)互聯(lián)網(wǎng)上的網(wǎng)頁(yè)并獲取網(wǎng)頁(yè)信息。您可以在您的網(wǎng)站中創(chuàng)建一個(gè)純文本文件robots.txt，在這個(gè)文件中聲明該網(wǎng)站中不想被robot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。

 

　　二、robots.txt文件放在哪里?

 

　　robots.txt文件應(yīng)該放在網(wǎng)站根目錄下。舉例來(lái)說(shuō)，當(dāng)robots訪問(wèn)一個(gè)網(wǎng)站（比如http://www.abc.com）時(shí)，首先會(huì)檢查該網(wǎng)站中是否存在http://www.abc.com/robots.txt這個(gè)文件，如果機(jī)器人找到這個(gè)文件，它就會(huì)根據(jù)這個(gè)文件的內(nèi)容，來(lái)確定它訪問(wèn)權(quán)限的范圍。

 

　　網(wǎng)站 URL 相應(yīng)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

 

　　三、robots.txt文件的格式

 

　　"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(kāi)（以CR,CR/NL, or NL作為結(jié)束符），每一條記錄的格式如下所示：":"。

 

　　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(kāi)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(kāi)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(kāi)放的。

 

　　四、robots.txt文件用法舉例

 

　　例1.            禁止所有搜索引擎訪問(wèn)網(wǎng)站的任何部分

　　下載該robots.txt文件 User-agent: *

　　Disallow: /

 

　　例2.            允許所有的robot訪問(wèn)

　　(或者也可以建一個(gè)空文件 "/robots.txt" file)

　　User-agent: *

　　Disallow:

 

　　例3.            禁止某個(gè)搜索引擎的訪問(wèn)

　　User-agent: BadBot

　　Disallow: /

 

　　例4.            允許某個(gè)搜索引擎的訪問(wèn)

　　User-agent: baiduspider

　　Disallow:

　　User-agent: *

　　Disallow: /

 

　　例5. 一個(gè)簡(jiǎn)單例子

　　在這個(gè)例子中，該網(wǎng)站有三個(gè)目錄對(duì)搜索引擎的訪問(wèn)做了限制，即搜索引擎不會(huì)訪問(wèn)這三個(gè)目錄。

　　需要注意的是對(duì)每一個(gè)目錄必須分開(kāi)聲明，而不要寫成 "Disallow: /cgi-bin/ /tmp/"。

　　User-agent:后的* 具有特殊的含義，代表"any robot"，所以在該文件中不能有"Disallow:

　　/tmp/*" or "Disallow: *.gif"這樣的記錄出現(xiàn).

　　User-agent: *

　　Disallow: /cgi-bin/

　　Disallow: /tmp/

　　Disallow: /~joe/

 

 

　　robots.txt文件的更具體設(shè)置,請(qǐng)參看以下資料：

　　· Web Server Administrator's Guide to the Robots Exclusion Protocol

　　· HTML Author's Guide to the Robots Exclusion Protocol

　　· The original 1994 protocol description, as currently deployed

　　· The revised Internet-Draft specification, which is not yet completed or implemented

　　在你的主頁(yè)中為Web Robot設(shè)計(jì)路標(biāo)

 

　　Internet越來(lái)越酷，WWW的知名度如日中天。在Internet上發(fā)布公司信息、進(jìn)行電子商務(wù)已經(jīng)從時(shí)髦演化成時(shí)尚。作為一個(gè)WebMaster，你可能對(duì)HTML、Javascript、Java、 ActiveX了如指掌，但你是否知道什么是WebRobot？你是否知道Web Robot和你所設(shè) 計(jì)的主頁(yè)有什么關(guān)系？

 

　　Internet上的流浪漢--- Web Robot

 

　　有時(shí)你會(huì)莫名其妙地發(fā)現(xiàn)你的主頁(yè)的內(nèi)容在一個(gè)搜索引擎中被索引，即使你從未與他 們有過(guò)任何聯(lián)系。其實(shí)這正是Web Robot的功勞。WebRobot其實(shí)是一些程序，它可以 穿越大量Internet網(wǎng)址的超文本結(jié)構(gòu)，遞歸地檢索網(wǎng)絡(luò)站點(diǎn)所有的內(nèi)容。這些程序有時(shí)被叫“蜘蛛（Spider）” ， “網(wǎng)上流浪漢（Web Wanderer）”，“網(wǎng)絡(luò)蠕蟲（web worms）”或Webcrawler。

 

        一些Internet網(wǎng)上知名的搜索引擎站點(diǎn)（Search Engines）都 有專門的WebRobot程序來(lái)完成信息的采集，例如Lycos，Webcrawler，Altavista等，以及中文搜索引擎站點(diǎn)例如北極星，網(wǎng)易，GOYOYO等。WebRobot就象一個(gè)不速之客，不管你是否在意，它都會(huì)忠于自己主人的職責(zé)，任勞任怨、不知疲倦地奔波于萬(wàn)維網(wǎng)的空間，當(dāng)然也會(huì)光臨你的主頁(yè)，檢索主頁(yè)內(nèi)容并生成它所需要的記錄格式。或許有的主頁(yè)內(nèi)容你樂(lè)于世人皆知，但有的內(nèi)容你卻不愿被洞察、索引。難道你就只能任其“橫行”于自己主頁(yè)空間，能否指揮和控制WebRobot的行蹤呢？答案當(dāng)然是肯定的。只要你閱讀了本篇的下文，就可以象一個(gè)交通 警察一樣，布置下一個(gè)個(gè)路標(biāo)，告訴WebRobot應(yīng)該怎么去檢索你的主頁(yè)，哪些可以檢索，哪些不可以訪問(wèn)。其實(shí)Web Robot能聽(tīng)懂你的話不要以為Web Robot是毫無(wú)組織，毫無(wú)管束地亂跑。很多Web Robot軟件給網(wǎng)絡(luò)站點(diǎn)的 管理員或網(wǎng)頁(yè)內(nèi)容制作者提供了兩種方法來(lái)限制Web Robot的行蹤：

 

　　1.         Robots Exclusion Protocol 協(xié)議

　　網(wǎng)絡(luò)站點(diǎn)的管理員可以在站點(diǎn)上建立一個(gè)專門格式的文件，來(lái)指出站點(diǎn)上的哪一部分 可以被robot訪問(wèn), 這個(gè)文件放在站點(diǎn)的根目錄下，即robots.txt." target="_blank">http://.../robots.txt.

 

　　2.         Robots META tag

　　一個(gè)網(wǎng)頁(yè)作者可以使用專門的HTML META tag ，來(lái)指出某一個(gè)網(wǎng)頁(yè)是否可以被索 引、分析或鏈接。這些方法適合于大多數(shù)的Web Robot，至于是否在軟件中實(shí)施了這些方法，還依賴于 Robot的開(kāi)發(fā)者，并非可以保證對(duì)任何Robot都靈驗(yàn)。如果你迫切需要保護(hù)自己內(nèi)容，則應(yīng)考慮采用諸如增加密碼等其他保護(hù)方法。

 

　　使用Robots Exclusion Protocol協(xié)議

 

　　當(dāng)Robot訪問(wèn)一個(gè) Web 站點(diǎn)時(shí)，比如http://www.sti.net.cn/，它先去檢查文件robots.txt"target="_blank">http://www.sti.net.cn/robots.txt。如果這個(gè)文件存在，它便會(huì)按照這樣的記錄格式去分析：

　　User-agent: *

　　Disallow: /cgi-bin/

　　Disallow: /tmp/

　　Disallow: /~joe/

 

　　以確定它是否應(yīng)該檢索站點(diǎn)的文件。這些記錄是專門給Web Robot看的，一般的瀏覽者大概永遠(yuǎn)不會(huì)看到這個(gè)文件，所以千萬(wàn)不要異想天開(kāi)地在里面加入形似 類的HTML語(yǔ)句或是“How do you do? where areyou from?”之類假情假意的問(wèn)候語(yǔ)。

 

　　在一個(gè)站點(diǎn)上只能有一個(gè) "/robots.txt" 文件，而且文件名的每個(gè)字母要求全部是小寫。在Robot的記錄格式中每一個(gè)單獨(dú)的"Disallow"行表示你不希望Robot訪問(wèn)的URL， 每個(gè)URL必須單獨(dú)占一行，不能出現(xiàn)"Disallow: /cgi-bin/ /tmp/"這樣的病句。同時(shí)在一個(gè)記錄中不能出現(xiàn)空行，這是因?yàn)榭招惺嵌鄠€(gè)記錄分割的標(biāo)志。User-agent行指出的是Robot或其他代理的名稱。在User-agent行，'*' 表示一個(gè)特殊的含義---所有的robot。

 

　　下面是幾個(gè)robot.txt的例子：

　　在整個(gè)服務(wù)器上拒絕所有的robots：

　　User-agent: *

　　Disallow: /

　　允許所有的robots訪問(wèn)整個(gè)站點(diǎn)：

　　User-agent: *

　　Disallow:

　　或者產(chǎn)生一個(gè)空的 "/robots.txt" 文件。

　　服務(wù)器的部分內(nèi)容允許所有的robot訪問(wèn)

　　User-agent: *

　　Disallow: /cgi-bin/

　　Disallow: /tmp/

　　Disallow: /private/

　　拒絕某一個(gè)專門的robot：

　　User-agent: BadBot

　　Disallow: /

　　只允許某一個(gè)robot光顧：

　　User-agent: WebCrawler

　　Disallow:

　　User-agent: *

　　Disallow: /

　　最后我們給出 http://www.w3.org/站點(diǎn)上的robots.txt：

　　# For use by search.w3.org

　　User-agent: W3Crobot/1

　　Disallow:

　　User-agent: *

　　Disallow: /Member/ # This is restricted to W3C Members only

　　Disallow: /member/ # This is restricted to W3C Members only

　　Disallow: /team/ # This is restricted to W3C Team only

　　Disallow: /TandS/Member # This is restricted to W3C Members only

　　Disallow: /TandS/Team # This is restricted to W3C Team only

　　Disallow: /Project

　　Disallow: /Systems

　　Disallow: /Web

　　Disallow: /Team

　　使用Robots META tag方式

　　Robots META tag 允許HTML網(wǎng)頁(yè)作者指出某一頁(yè)是否可以被索引，或是否可以用來(lái)查找更多的鏈接文件。目前只有部分robot實(shí)施了這一功能。

　　Robots META tag的格式為：

　　象其他的META tag一樣，它應(yīng)該放在HTML文件的HEAD區(qū)：

　　...

　　Robots META tag指令使用逗號(hào)隔開(kāi)，可以使用的指令包括 [NO]INDEX 和[NO]FOLLOW。INDEX指令指出一個(gè)索引性robot是否可以對(duì)本頁(yè)進(jìn)行索引；FOLLOW 指令指出robot是否可以跟蹤本頁(yè)的鏈接。缺省的情況是INDEX和FOLLOW。例如：一個(gè)好的Web 站點(diǎn)管理員應(yīng)該將robot的管理考慮在內(nèi)，使robot為自己的主頁(yè)服務(wù)， 同時(shí)又不損害自己網(wǎng)頁(yè)的安全。