J2SE Java基础 J2EE 设计模式 struts hibernate spring freemarker ibatis xml xslt Javascript mysql Linux 系统架构
Java高级 webwork webservice 网页制作 oracle sql server 数据库基础 软件工程 网站建设 SEO 黑客基础 名人堂 Ruby
首页 > 技术文档 > 新互联网 > 搜索引擎优化(SEO) > 搜索引擎的蜘蛛人（robots）秘密

搜索引擎的蜘蛛人（robots）秘密

作者: 　来源: 　标签:seo 搜索引擎 (English) 【大 中 小】
搜索引擎都有自己的“搜索机器人”（ROBOTS），并通过这些ROBOTS在网络上沿着网页上的链接（一般是http和src链接）不断抓取资料建立自己的数据库。

        对于网站管理者和内容提供者来说，有时候会有一些站点内容，不希望被ROBOTS抓取而公开。为了解决这个问题，ROBOTS开发界提供了两个办法：一个是robots.txt，另一个是TheRobotsMETA标签。

  一、robots.txt

       1、什么是robots.txt？

        robots.txt是一个纯文本文件，通过在这个文件中声明该网站中不想被robots访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。

        当一个搜索机器人访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果找到，搜索机器人就会按照该文件中的内容来确定访问的范围，如果该文件不存在，那么搜索机器人就沿着链接抓取。

  robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。

  网站URL

  相应的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的语法

        "robots.txt"文件包含一条或更多的记录，这些记录通过空行分开（以CR,CR/NL,orNL作为结束符），每一条记录的格式如下所示：

  "<field>:<optionalspace><value><optionalspace>"。

        在该文件中可以使用#进行注解，具体使用方法和UNIX中的惯例一样。该文件中的记录通常以一行或多行User-agent开始，后面加上若干Disallow行,详细情况如下：

  User-agent:

        该项的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，如果有多条User-agent记录说明有多个robot会受到该协议的限制，对该文件来说，至少要有一条User-agent记录。如果该项的值设为*，则该协议对任何机器人均有效，在"robots.txt"文件中， "User-agent：*"这样的记录只能有一条。

  Disallow:

       该项的值用于描述不希望被访问到的一个URL，这个URL可以是一条完整的路径，也可以是部分的，任何以Disallow开头的URL均不会被robot 访问到。例如"Disallow:/help"对/help.html和/help/index.html都不允许搜索引擎访问，而"Disallow: /help/"则允许robot访问/help.html，而不能访问/help/index.html。

       任何一条Disallow记录为空，说明该网站的所有部分都允许被访问，在"/robots.txt"文件中，至少要有一条Disallow记录。如果"/robots.txt"是一个空文件，则对于所有的搜索引擎robot，该网站都是开放的。

  下面是一些robots.txt基本的用法：

  l禁止所有搜索引擎访问网站的任何部分：

  User-agent:*

  Disallow:/

  l允许所有的robot访问

  User-agent:*

  Disallow:

  或者也可以建一个空文件"/robots.txt"file

  禁止所有搜索引擎访问网站的几个部分（下例中的cgi-bin、tmp、private目录）

  User-agent:*

  Disallow:/cgi-bin/

  Disallow:/tmp/

  Disallow:/private/

  l禁止某个搜索引擎的访问（下例中的BadBot）

  User-agent:BadBot

  Disallow:/

  l只允许某个搜索引擎的访问（下例中的WebCrawler）

  User-agent:WebCrawler

  Disallow:

  User-agent:*

  Disallow:/

  3、常见搜索引擎机器人Robots名字

  名称搜索引擎

  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.com

  4、robots.txt举例

  下面是一些著名站点的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、常见robots.txt错误

  l颠倒了顺序：

  错误写成

  User-agent:*

  Disallow:GoogleBot

  正确的应该是：

  User-agent:GoogleBot

  Disallow:*

  l把多个禁止命令放在一行中：

  例如，错误地写成

  Disallow:/css//cgi-bin//images/

  正确的应该是

  Disallow:/css/

  Disallow:/cgi-bin/

  Disallow:/images/

  行前有大量空格

  例如写成

  Disallow:/cgi-bin/

  尽管在标准没有谈到这个，但是这种方式很容易出问题。

  404重定向到另外一个页面：

       当Robot访问很多没有设置robots.txt文件的站点时，会被自动404重定向到另外一个Html页面。这时Robot常常会以处理 robots.txt文件的方式处理这个Html页面文件。虽然一般这样没有什么问题，但是最好能放一个空白的robots.txt文件在站点根目录下。

  l采用大写。例如

  USER-AGENT:EXCITE

  DISALLOW:

  虽然标准是没有大小写的，但是目录和文件名应该小写：

  user-agent:GoogleBot

  disallow:

  l语法中只有Disallow，没有Allow！

  错误的写法是：

  User-agent:Baiduspider

  Disallow:/john/

  allow:/jane/

  l忘记了斜杠/

  错误的写做：

  User-agent:Baiduspider

  Disallow:css

  正确的应该是

  User-agent:Baiduspider

  Disallow:/css/

  下面一个小工具专门检查robots.txt文件的有效性：

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

  二、RobotsMETA标签

       1、什么是RobotsMETA标签

       Robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况，而RobotsMETA标签则主要是针对一个个具体的页面。和其他的META标签（如使用的语言、页面的描述、关键词等）一样，RobotsMETA标签也是放在页面的<head></head>中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。具体的形式类似（见黑体部分）：

  <html>

  <head>

  <title>时代营销--网络营销专业门户</title>

  <metaname="Robots"content="index,follow">

  <metahttp-equiv="Content-Type"CONTENT="text/html;charset=gb2312">

  <metaname="keywords"content="营销…">

  <metaname="description"content="时代营销网是…">

  <linkrel="stylesheet"href="/public/css.css"type="text/css">

  </head>

  <body>

  …

  </body>

  </html>

        2、RobotsMETA标签的写法：

        RobotsMETA标签中没有大小写之分，name=”Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=” BaiduSpider”。content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。

  INDEX指令告诉搜索机器人抓取该页面；

  FOLLOW指令表示搜索机器人可以沿着该页面上的链接继续抓取下去；

  RobotsMeta标签的缺省值是INDEX和FOLLOW，只有inktomi除外，对于它，缺省值是INDEX,NOFOLLOW。

  这样，一共有四种组合：

  <METANAME="ROBOTS"CONTENT="INDEX,FOLLOW">

  <METANAME="ROBOTS"CONTENT="NOINDEX,FOLLOW">

  <METANAME="ROBOTS"CONTENT="INDEX,NOFOLLOW">

  <METANAME="ROBOTS"CONTENT="NOINDEX,NOFOLLOW">

  其中

  <METANAME="ROBOTS"CONTENT="INDEX,FOLLOW">可以写成

  <METANAME="ROBOTS"CONTENT="ALL">；

  <METANAME="ROBOTS"CONTENT="NOINDEX,NOFOLLOW">可以写成

  <METANAME="ROBOTS"CONTENT="NONE">

  需要注意的是：上述的robots.txt和RobotsMETA标签限制搜索引擎机器人（ROBOTS）抓取站点内容的办法只是一种规则，需要搜索引擎机器人的配合才行，并不是每个ROBOTS都遵守的。

       目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于RobotsMETA标签，目前支持的并不多，但是正在逐渐增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE还增加了一个指令“archive”，可以限制GOOGLE是否保留网页快照。例如：

  <METANAME="googlebot"CONTENT="index,follow,noarchive">

  表示抓取该站点中页面并沿着页面中链接抓取，但是不在GOOLGE上保留该页面的网页快照。

  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


评论列表

发表评论

赞助商