目
前剛好在弄AdSense，碰到了robots的問題，找到了些文件資料，給大家參考參考。Robots (tag) 介紹
===============================================
robots.txt和Robots META tag
我們知道，搜索引擎都有自己的“搜索機器人”(ROBOTS)，並透過這些ROBOTS在網路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資料庫。 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 tag。
一、 robots.txt
1、 什麼是robots.txt?
robots.txt是一個純文本文件，透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，或者指定搜索引擎隻收錄指定的內容。
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，那麼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，而且檔案名稱必須全部小寫。
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.txt2、 robots.txt的語法
"robots.txt"文件包含一條或更多的記錄，這些記錄透過空行分開(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
Baiduspiderhttp://www.baidu.com
Scooterhttp://www.altavista.com
ia_archiverhttp://www.alexa.com
Googlebothttp://www.google.com
FAST-WebCrawlerhttp://www.alltheweb.com
Slurphttp://www.inktomi.com
MSNBOThttp://search.msn.com4、 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
二、 Robots META tag
1、什麼是Robots META tag
Robots.txt文件主要是限制整個站點或者目錄的搜索引擎訪問情況，而Robots META tag則主要是針對一個個具體的頁面。和其他的META標簽(如使用的語言、頁面的描述、關鍵詞等)一樣，Robots META tag也是放在頁面的中，專門用來告訴搜索引擎ROBOTS如何抓取該頁的內容。具體的形式類似(見黑體部分):
<html>
<head>
<title>時代營銷--網路營銷專業門戶</title>
<meta name="Robots" content="index,follow">
<meta http-equiv="Content-Type" CONTENT="text/html; charset=gb2312">
<meta name="keywords" content="營銷… ">
<meta name="description" content="時代營銷網是…">
<link rel="stylesheet" href="/public/css.css" type="text/css">
</head>
<body>
…
</body>
</html>2、Robots META tag的寫法:
Robots META標簽中沒有大小寫之分，name=”Robots”表示所有的搜索引擎，可以針對某個具體搜索引擎寫為name=”BaiduSpider”。content部分有四個指令選項:index、noindex、follow、nofollow，指令間以“,”分隔。
INDEX 指令告訴搜索機器人抓取該頁面;
FOLLOW 指令表示搜索機器人可以沿著該頁面上的鏈接繼續抓取下去;
Robots Meta tag的值是INDEX和FOLLOW，只有inktomi除外，對於它，值是INDEX,NOFOLLOW。
其中
<meta content="INDEX,FOLLOW" name="ROBOTS">可以寫成
<meta content="ALL" name="ROBOTS">；<meta content="NOINDEX,NOFOLLOW" name="ROBOTS">可以寫成
<meta content="NONE" name="ROBOTS">要注意的是:上述的robots.txt和Robots META tag限制搜索引擎機器人(ROBOTS)抓取站點內容的辦法只是一種規則，需要搜索引擎機器人的配合才行，並不是每個ROBOTS都遵守的。
沒有留言:
張貼留言