仲介交易 HTTP://www.aliyun.com/zixun/aggregation/6858.html">SEO診斷 淘寶客 雲主機 技術大廳
對於網站管理者和內容提供者來說，有時候會有一些網站內容，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TheRobotsMETA標籤。
一、robots.txt
1、什麼是robots.txt？
robots.txt是一個純文字檔，通過在這個檔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尋引擎收錄了，或者指定搜尋引擎只收錄指定的內容。
當一個搜索機器人訪問一個網站時，它會首先檢查該網站根目錄下是否存在robots.txt，如果找到，搜索機器人就會按照該檔中的內容來確定訪問的範圍，如果該檔不存在，那麼搜索機器人就沿著連結抓取。
robots.txt必須放置在一個網站的根目錄下，而且檔案名必須全部小寫。
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"檔包含一條或更多的記錄，這些記錄通過空行分開（以CR,CR/NL,orNL作為結束符），每一條記錄的格式如下所示：
":"。
在該檔中可以使用#進行注解，具體使用方法和UNIX中的慣例一樣。 該檔中的記錄通常以一行或多行User-agent開始，後面加上若干Disallow行,詳細情況如下：
User-agent:
該項的值用於描述搜尋引擎robot的名字，在"robots.txt"檔中，如果有多條User-agent記錄說明有多個robot會受到該協定的限制，對該檔來說，至少要有一條User-agent記錄。 如果該項的值設為*，則該協定對任何機器人均有效，在"robots.txt"檔中，"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都不允許搜尋引擎訪問，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"檔中，至少要有一條Disallow記錄。 如果"/robots.txt"是一個空檔，則對於所有的搜尋引擎robot，該網站都是開放的。
下面是一些robots.txt基本的用法：
l禁止所有搜尋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檔"/robots.txt"file
l禁止所有搜尋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禁止某個搜尋引擎的訪問（下例中的BadBot）
User-agent:BadBot
Disallow:/
l只允許某個搜尋引擎的訪問（下例中的WebCrawler）
User-agent:WebCrawler
Disallow:
User-agent:*
Disallow:/
3、常見搜尋引擎機器人Robots名字
名稱搜尋引擎
BaiduspiderHTTP://www.baidu.com
ScooterHTTP://www.altavista.com
ia_archiverHTTP://www.alexa.com
GooglebotHTTP://www.google.com
Inktomi Slurp HTTP://www.yahoo.com
FAST-WebCrawler HTTP://www.alltheweb.com
SlurpHTTP://www.inktomi.com
MSNBOT HTTP://search.msn.com
4、robots.txt舉例
下面是一些著名網站的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/
儘管在標準沒有談到這個，但是這種方式很容易出問題。
l404重定向到另外一個頁面：
當Robot訪問很多沒有設置robots.txt檔的網站時，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檔的方式處理這個Html分頁檔。 雖然一般這樣沒有什麼問題，但是最好能放一個空白的robots.txt檔在網站根目錄下。
l採用大寫。 例如
USER-AGENT:EXCITE
DISALLOW:
雖然標準是沒有大小寫的，但是目錄和檔案名應該小寫：
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檔的有效性：
HTTP://www.searchengineworld.com/cgi-bin/robotcheck.cgi
二、RobotsMETA標籤
1、什麼是RobotsMETA標籤
Robots.txt檔主要是限制整個網站或者目錄的搜尋引擎訪問情況，而RobotsMETA標籤則主要是針對一個個具體的頁面。 和其他的META標籤（如使用的語言、頁面的描述、關鍵字等）一樣，RobotsMETA標籤也是放在頁面的中，專門用來告訴搜尋引擎ROBOTS如何抓取該頁的內容。 具體的形式類似（見黑體部分）：
2、RobotsMETA標籤的寫法：
RobotsMETA標籤中沒有大小寫之分，name=」Robots」表示所有的搜尋引擎，可以針對某個具體搜尋引擎寫為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連結繼續抓取下去；
RobotsMeta標籤的缺省值是INDEX和FOLLOW，只有inktomi除外，對於它，缺省值是INDEX,NOFOLLOW。
這樣，一共有四種組合：
其中
可以寫成
；
可以寫成
需要注意的是：上述的robots.txt和RobotsMETA標籤限制搜尋引擎機器人（ROBOTS）抓取網站內容的辦法只是一種規則，需要搜尋引擎機器人的配合才行，並不是每個ROBOTS都遵守的。
目前看來，絕大多數的搜尋引擎機器人都遵守robots.txt的規則，而對於RobotsMETA標籤，目前支援的並不多，但是正在逐漸增加，如著名搜尋引擎GOOGLE就完全支援，而且GOOGLE還增加了一個指令「 archive」，可以限制GOOGLE是否保留網頁快照。 例如：
表示抓取該網站中頁面並沿著頁面中連結抓取，但是不在GOOLGE上保留該頁面的網頁快照。
例子:
#robots,scram
User-agent:*
Disallow:/cgi-bin
Disallow:/TRANSCRIPTS
Disallow:/development
Disallow:/third
Disallow:/Beta
Disallow:/java
Disallow:/shockwave
Disallow:/JOBS
Disallow:/pr
Disallow:/Interactive
Disallow:/alt_index.html
Disallow:/webmaster_logs
Disallow:/newscenter
Disallow:/virtual
Disallow:/DIGEST
Disallow:/QUICKNEWS
Disallow:/SEARCH
User-agent:Mozilla/3.01(hotwired-test/0.1)
Disallow:/cgi-bin
Disallow:/TRANSCRIPTS
Disallow:/development
Disallow:/third
Disallow:/Beta
Disallow:/java
Disallow:/shockwave
Disallow:/JOBS
Disallow:/pr
Disallow:/Interactive
Disallow:/alt_index.html
Disallow:/webmaster_logs
Disallow:/newscenter
Disallow:/virtual
Disallow:/DIGEST
Disallow:/QUICKNEWS
Disallow:/SEARCH
User-agent:Slurp
Disallow:/cgi-bin
Disallow:/TRANSCRIPTS
Disallow:/development
Disallow:/third
Disallow:/Beta
Disallow:/java
Disallow:/shockwave
Disallow:/JOBS
Disallow:/pr
Disallow:/Interactive
Disallow:/alt_index.html
Disallow:/webmaster_logs
Disallow:/newscenter
Disallow:/virtual
Disallow:/DIGEST
Disallow:/QUICKNEWS
Disallow:/SEARCH
User-agent:Scooter
Disallow:/cgi-bin
Disallow:/TRANSCRIPTS
Disallow:/development
Disallow:/third
Disallow:/Beta
Disallow:/java
Disallow:/shockwave
Disallow:/JOBS
Disallow:/pr
Disallow:/Interactive
Disallow:/alt_index.html
Disallow:/webmaster_logs
Disallow:/newscenter
Disallow:/virtual
Disallow:/DIGEST
Disallow:/QUICKNEWS
Disallow:/SEARCH
User-agent:Ultraseek
Disallow:/cgi-bin
#Disallow:/TRANSCRIPTS
Disallow:/development
Disallow:/third
Disallow:/Beta
Disallow:/java
Disallow:/shockwave
Disallow:/JOBS
Disallow:/pr
Disallow:/Interactive
Disallow:/alt_index.html
Disallow:/webmaster_logs
Disallow:/newscenter
Disallow:/virtual
Disallow:/DIGEST
Disallow:/QUICKNEWS
Disallow:/SEARCH
User-agent:smallbear
Disallow:/cgi-bin
Disallow:/java
Disallow:/images
Disallow:/development
Disallow:/third
Disallow:/Beta
Disallow:/webmaster_logs
Disallow:/virtual
Disallow:/shockwave
Disallow:/TRANSCRIPTS
Disallow:/newscenter
Disallow:/virtual
Disallow:/DIGEST
Disallow:/QUICKNEWS
Disallow:/SEARCH
Disallow:/alt_index.html
User-agent:GoogleBot
Disallow:/cgi-bin
Disallow:/java
Disallow:/images
Disallow:/development
Disallow:/third
Disallow:/Beta
Disallow:/webmaster_logs
Disallow:/virtual
Disallow:/shockwave
Disallow:/TRANSCRIPTS
Disallow:/newscenter
Disallow:/virtual
Disallow:/DIGEST
Disallow:/QUICKNEWS
Disallow:/SEARCH
Disallow:/alt_index.html
