学习引擎作业参考资源:搜索引擎技术1

标  题: robot文件结构
1.什么是robots.txt文件?
搜索引擎通过一种程序robot（又称spider），自动访问互联网上的网页并获取网页信息。
您可以在您的网站中创建一个纯文本文件robots.txt，在这个文件中声明该网站中不想被robot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。
2．robots.txt文件放在哪里?
robots.txt文件应该放在网站根目录下。举例来说，当robots访问一个网站（比如 [url]http://www.abc.com[/url]）时，首先会检查该网站中是否存
网站 URL    相应的 robots.txt的 URL
[url]http://www.w3.org/[/url]    [url]http://www.w3.org/robots.txt[/url]
[url]http://www.w3.org:80/[/url]    [url]http://www.w3.org:80/robots.txt[/url]
[url]http://www.w3.org:1234/[/url]    [url]http://www.w3.org:1234/robots.txt[/url]
[url]http://w3.org/[/url]     [url]http://w3.org/robots.txt[/url]

3.robots.txt文件的格式
"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：
"<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。
4.robots.txt文件用法举例
例1. 禁止所有搜索引擎访问网站的任何部分     User-agent: *
Disallow: /
例2. 允许所有的robot访问 (或者也可以建一个空文件 "/robots.txt" file)    User-agent: *
Disallow:
例3. 禁止某个搜索引擎的访问    User-agent: BadBot
Disallow: /
例4. 允许某个搜索引擎的访问    User-agent: baiduspider
Disallow:
User-agent: *
Disallow: /
例5.一个简单例子
　　在这个例子中，该网站有三个目录对搜索引擎的访问做了限制，即搜索引擎不会访问这三个目录。
　　需要注意的是对每一个目录必须分开声明，而不要写成 "Disallow: /cgi-bin/ /tmp/"。
　　User-agent:后的*具有特殊的含义，代表"any robot"，所以在该文件中不能有"Disallow: /tmp/*" or "Disallow:*.gif"这样的记录出现.    User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /~joe/
5.robots.txt文件参考资料
robots.txt文件的更具体设置,请参看以下链接：
&#8226; Web Server Administrator's Guide to the Robots Exclusion Protocol
&#8226; HTML Author's Guide to the Robots Exclusion Protocol
&#8226; The original 1994 protocol description, as currently deployed
&#8226; The revised Internet-Draft specification, which is not yet completed or implemented
6.各搜索引擎的robot
Google：Crawled by Googlebot/2.1 (+[url]http://www.google.com/bot.html[/url])
Baidu：Crawled by Baiduspider+(+[url]http://www.baidu.com/search/spider.htm[/url])
Yahoo：Crawled by Mozilla/5.0 (compatible; Yahoo! Slurp China
MSN： Crawled by msnbot/1.0 (+[url]http://search.msn.com/msnbot.htm[/url])
Sogou： Crawled by sogou spider
中搜：Crawled by User-Agent: Mozilla/4.0 (compatible; MSIE 5.5; Windows NT 5.0)
sina：Crawled by Mozilla/4.0(compatible;MSIE 6.0;Windows NT 5.0;.NET CLR 1.1.432)