robots.txt文件格式详解

在说明ROTBOT文件的编写语法前先来了解几个重要的概念！

1. 什么是baiduspider？
baiduspider是Baidu搜索引擎的一个自动程序。它的作用是访问互联网上的html网页，建立索引数据库，使用户能在Baidu搜索引擎中搜索到贵网站的网页。

2. baiduspider为什么大量访问我的网页？
baiduspider访问您的网页后，会自动分析每个网页上的文字内容并记忆网页网址，然后其它网友才能通过百度搜索引擎找到您的网页。如果baiduspider不访问您的网页，那么所有通过baiduspider提供网页信息的搜索引擎都找不到您的网页，也就是说，其它网友在百度搜狐新浪雅虎Tom等几十个搜索网站都会找不到您的网页。
您可以到这里进一步了解搜索引擎。

3. baiduspider对一个网站服务器造成的访问压力如何？

对于一个网站，baiduspider每访问一个网页会间隔30秒，不会造成过大压力。

4. 我不想我的网站被baiduspider访问，我该怎么做？

baiduspider象其它spider一样遵守互联网robots协议。您可以利用robots.txt文件完全禁止baiduspider访问您的网站，或者禁止baiduspider访问您网站上的部分文件。

注意：禁止baiduspider访问您的网站，将使您的网站上的所有网页，在Baidu搜索引擎以及所有Baidu提供搜索引擎服务的搜索引擎中无法被搜索到，包括搜狐、新浪、雅虎、Tom、Lycos等几十个搜索引擎。

关于robots.txt的写作方法，请参看我们的介绍：robots.txt写作方法

5. 为什么我的网站已经加了robots.txt，还能在百度搜索出来？

因为搜索引擎索引数据库的更新需要时间。虽然baiduspider已经停止访问您网站上的网页，但Baidu搜索引擎数据库中已经建立的网页索引信息，可能需要2到4周才会清除。

6. baiduspider多长时间之后会重新抓取我的网页？

Baidu搜索引擎平均两周更新一次，网页视重要性有不同的更新率，少则几天，多则1月，baiduspider会重新访问和更新一个网页。

7. baidu蜘蛛在robots.txt中的名字是什么？

baiduspider，全部为小写字母。完全禁止baiduspider访问的robots文件内容为：


User-agent: baiduspider
Disallow: /


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, or NL作为结束符），每一条记录的格式如下所示：
“:“。
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
l 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
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/
l 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。
l 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、 Robots META标签
1、什么是Robots META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Robots META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，Robots META标签也是放在页面的中，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）：


时代营销--网络营销专业门户
name=“Robots“ content=“index,follow“>
http-equiv=“Content-Type“ CONTENT=“text/html; charset=gb2312“>
name=“keywords“ content=“营销… “>
name=“description“ content=“时代营销网是…“>
rel=“stylesheet“ href=“/public/css.css“ type=“text/css“>


…


2、Robots META标签的写法：
Robots META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；
Robots Meta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：
NAME=“ROBOTS“ CONTENT=“INDEX,FOLLOW“>
NAME=“ROBOTS“ CONTENT=“NOINDEX,FOLLOW“>
NAME=“ROBOTS“ CONTENT=“INDEX,NOFOLLOW“>
NAME=“ROBOTS“ CONTENT=“NOINDEX,NOFOLLOW“>
其中
NAME=“ROBOTS“ CONTENT=“INDEX,FOLLOW“>可以写成
NAME=“ROBOTS“ CONTENT=“ALL“>；
NAME=“ROBOTS“ CONTENT=“NOINDEX,NOFOLLOW“>可以写成
NAME=“ROBOTS“ CONTENT=“NONE“>
需要注意的是：上述的robots.txt和Robots META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Robots META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：
NAME=“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

作者: Hundre 发表于 2010-11-18 20:36 原文链接

评论: 0 查看评论 发表评论

最新新闻：
· Debian 6.0“Squeeze”发布(2011-02-06 11:17)
· 传诺基亚将进行管理层重组 多名高管将离职(2011-02-06 11:15)
· 即将举办超级碗的Cowboys体育场在Google Earth里3D化(2011-02-06 11:07)
· Android 3.0 Honeycomb 炫丽蜂巢开机动画(2011-02-06 10:57)
· Google 发布 Contracts for Java 开源项目(2011-02-06 10:47)

编辑推荐：无心插柳：Gmail之父，FriendFeed创始人谈人生偶然性

网站导航：博客园首页  我的园子  新闻  闪存  小组  博问  知识库