天极传媒:
天极网
比特网
IT专家网
52PK游戏网
极客修
全国分站

北京上海广州深港南京福建沈阳成都杭州西安长春重庆大庆合肥惠州青岛郑州泰州厦门淄博天津无锡哈尔滨

产品
  • 网页
  • 产品
  • 图片
  • 报价
  • 下载
全高清投影机 净化器 4K电视曲面电视小家电滚筒洗衣机
您现在的位置: 天极网 > 软件 > 网页>新闻>搜索引擎的蜘蛛人(ROBOTS)秘密

搜索引擎的蜘蛛人(ROBOTS)秘密

互联网2006-01-11 08:55我要吐槽

  我们知道,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The Robots META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, 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:

  禁止所有搜索引擎访问网站的任何部分:

  User-agent: *

  Disallow: /

  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/

  禁止某个搜索引擎的访问(下例中的BadBot)

  User-agent: BadBot

  Disallow: /

  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

  颠倒了顺序:

  错误写成

  User-agent: *

  Disallow: GoogleBot

  正确的应该是:

  User-agent: GoogleBot

  Disallow: *

  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。

  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:

  语法中只有Disallow,没有Allow!

  错误的写法是:

  User-agent: Baiduspider

  Disallow: /john/

  allow: /jane/

  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):

  

  

  

  

  

  

  

  

  

  

  …

  

  

  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:

  

  

  

  

  其中

   可以写成

   ;

   可以写成

  

  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:

  

  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


###adv###
作者:未知责任编辑:龙犊)
请关注天极网天极新媒体 最酷科技资讯
扫码赢大奖
评论
* 网友发言均非本站立场,本站不在评论栏推荐任何网店、经销商,谨防上当受骗!
热点推荐
微软Windows 10操作系统Win10系统在Win8的基础上对界面、特性以及跨平台方面做了诸多优化。[详细]
Windows 10 新视界 [进入频道][使用技巧][微博互动]
手机整机DIY企业级