一、什么是robots.txt文件?

 

　　搜索引擎通過一種程序robot（又稱spider），自動訪問互聯網上的網頁并獲取網頁信息。您可以在您的網站中創建一個純文本文件robots.txt，在這個文件中聲明該網站中不想被robot訪問的部分，這樣，該網站的部分或全部內容就可以不被搜索引擎收錄了，或者指定搜索引擎只收錄指定的內容。

 

　　二、robots.txt文件放在哪里?

 

　　robots.txt文件應該放在網站根目錄下。舉例來說，當robots訪問一個網站（比如http://www.abc.com）時，首先會檢查該網站中是否存在http://www.abc.com/robots.txt這個文件，如果機器人找到這個文件，它就會根據這個文件的內容，來確定它訪問權限的范圍。

 

　　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

 

　　三、robots.txt文件的格式

 

　　"robots.txt"文件包含一條或更多的記錄，這些記錄通過空行分開（以CR,CR/NL, or NL作為結束符），每一條記錄的格式如下所示：":"。

 

　　在該文件中可以使用#進行注解，具體使用方法和UNIX中的慣例一樣。該文件中的記錄通常以一行或多行User-agent開始，后面加上若干Disallow行,詳細情況如下：

 

　　User-agent:

　　該項的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，如果有多條User-agent記錄說明有多個robot會受到該協議的限制，對該文件來說，至少要有一條User-agent記錄。如果該項的值設為*，則該協議對任何機器人均有效，在"robots.txt"文件中，"User-agent：*"這樣的記錄只能有一條。

　　Disallow :

 

　　該項的值用于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都不允許搜索引擎訪問，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"文件中，至少要有一Disallow記錄。如果"/robots.txt"是一個空文件，則對于所有的搜索引擎robot，該網站都是開放的。

 

　　四、robots.txt文件用法舉例

 

　　例1.            禁止所有搜索引擎訪問網站的任何部分

　　下載該robots.txt文件 User-agent: *

　　Disallow: /

 

　　例2.            允許所有的robot訪問

　　(或者也可以建一個空文件 "/robots.txt" file)

　　User-agent: *

　　Disallow:

 

　　例3.            禁止某個搜索引擎的訪問

　　User-agent: BadBot

　　Disallow: /

 

　　例4.            允許某個搜索引擎的訪問

　　User-agent: baiduspider

　　Disallow:

　　User-agent: *

　　Disallow: /

 

　　例5. 一個簡單例子

　　在這個例子中，該網站有三個目錄對搜索引擎的訪問做了限制，即搜索引擎不會訪問這三個目錄。

　　需要注意的是對每一個目錄必須分開聲明，而不要寫成 "Disallow: /cgi-bin/ /tmp/"。

　　User-agent:后的* 具有特殊的含義，代表"any robot"，所以在該文件中不能有"Disallow:

　　/tmp/*" or "Disallow: *.gif"這樣的記錄出現.

　　User-agent: *

　　Disallow: /cgi-bin/

　　Disallow: /tmp/

　　Disallow: /~joe/

 

 

　　robots.txt文件的更具體設置,請參看以下資料：

　　· Web Server Administrator's Guide to the Robots Exclusion Protocol

　　· HTML Author's Guide to the Robots Exclusion Protocol

　　· The original 1994 protocol description, as currently deployed

　　· The revised Internet-Draft specification, which is not yet completed or implemented

　　在你的主頁中為Web Robot設計路標

 

　　Internet越來越酷，WWW的知名度如日中天。在Internet上發布公司信息、進行電子商務已經從時髦演化成時尚。作為一個WebMaster，你可能對HTML、Javascript、Java、 ActiveX了如指掌，但你是否知道什么是WebRobot？你是否知道Web Robot和你所設 計的主頁有什么關系？

 

　　Internet上的流浪漢--- Web Robot

 

　　有時你會莫名其妙地發現你的主頁的內容在一個搜索引擎中被索引，即使你從未與他 們有過任何聯系。其實這正是Web Robot的功勞。WebRobot其實是一些程序，它可以 穿越大量Internet網址的超文本結構，遞歸地檢索網絡站點所有的內容。這些程序有時被叫“蜘蛛（Spider）” ， “網上流浪漢（Web Wanderer）”，“網絡蠕蟲（web worms）”或Webcrawler。

 

        一些Internet網上知名的搜索引擎站點（Search Engines）都 有專門的WebRobot程序來完成信息的采集，例如Lycos，Webcrawler，Altavista等，以及中文搜索引擎站點例如北極星，網易，GOYOYO等。WebRobot就象一個不速之客，不管你是否在意，它都會忠于自己主人的職責，任勞任怨、不知疲倦地奔波于萬維網的空間，當然也會光臨你的主頁，檢索主頁內容并生成它所需要的記錄格式。或許有的主頁內容你樂于世人皆知，但有的內容你卻不愿被洞察、索引。難道你就只能任其“橫行”于自己主頁空間，能否指揮和控制WebRobot的行蹤呢？答案當然是肯定的。只要你閱讀了本篇的下文，就可以象一個交通 警察一樣，布置下一個個路標，告訴WebRobot應該怎么去檢索你的主頁，哪些可以檢索，哪些不可以訪問。其實Web Robot能聽懂你的話不要以為Web Robot是毫無組織，毫無管束地亂跑。很多Web Robot軟件給網絡站點的 管理員或網頁內容制作者提供了兩種方法來限制Web Robot的行蹤：

 

　　1.         Robots Exclusion Protocol 協議

　　網絡站點的管理員可以在站點上建立一個專門格式的文件，來指出站點上的哪一部分 可以被robot訪問, 這個文件放在站點的根目錄下，即robots.txt." target="_blank">http://.../robots.txt.

 

　　2.         Robots META tag

　　一個網頁作者可以使用專門的HTML META tag ，來指出某一個網頁是否可以被索 引、分析或鏈接。這些方法適合于大多數的Web Robot，至于是否在軟件中實施了這些方法，還依賴于 Robot的開發者，并非可以保證對任何Robot都靈驗。如果你迫切需要保護自己內容，則應考慮采用諸如增加密碼等其他保護方法。

 

　　使用Robots Exclusion Protocol協議

 

　　當Robot訪問一個 Web 站點時，比如http://www.sti.net.cn/，它先去檢查文件robots.txt"target="_blank">http://www.sti.net.cn/robots.txt。如果這個文件存在，它便會按照這樣的記錄格式去分析：

　　User-agent: *

　　Disallow: /cgi-bin/

　　Disallow: /tmp/

　　Disallow: /~joe/

 

　　以確定它是否應該檢索站點的文件。這些記錄是專門給Web Robot看的，一般的瀏覽者大概永遠不會看到這個文件，所以千萬不要異想天開地在里面加入形似 類的HTML語句或是“How do you do? where areyou from?”之類假情假意的問候語。

 

　　在一個站點上只能有一個 "/robots.txt" 文件，而且文件名的每個字母要求全部是小寫。在Robot的記錄格式中每一個單獨的"Disallow"行表示你不希望Robot訪問的URL， 每個URL必須單獨占一行，不能出現"Disallow: /cgi-bin/ /tmp/"這樣的病句。同時在一個記錄中不能出現空行，這是因為空行是多個記錄分割的標志。User-agent行指出的是Robot或其他代理的名稱。在User-agent行，'*' 表示一個特殊的含義---所有的robot。

 

　　下面是幾個robot.txt的例子：

　　在整個服務器上拒絕所有的robots：

　　User-agent: *

　　Disallow: /

　　允許所有的robots訪問整個站點：

　　User-agent: *

　　Disallow:

　　或者產生一個空的 "/robots.txt" 文件。

　　服務器的部分內容允許所有的robot訪問

　　User-agent: *

　　Disallow: /cgi-bin/

　　Disallow: /tmp/

　　Disallow: /private/

　　拒絕某一個專門的robot：

　　User-agent: BadBot

　　Disallow: /

　　只允許某一個robot光顧：

　　User-agent: WebCrawler

　　Disallow:

　　User-agent: *

　　Disallow: /

　　最后我們給出 http://www.w3.org/站點上的robots.txt：

　　# For use by search.w3.org

　　User-agent: W3Crobot/1

　　Disallow:

　　User-agent: *

　　Disallow: /Member/ # This is restricted to W3C Members only

　　Disallow: /member/ # This is restricted to W3C Members only

　　Disallow: /team/ # This is restricted to W3C Team only

　　Disallow: /TandS/Member # This is restricted to W3C Members only

　　Disallow: /TandS/Team # This is restricted to W3C Team only

　　Disallow: /Project

　　Disallow: /Systems

　　Disallow: /Web

　　Disallow: /Team

　　使用Robots META tag方式

　　Robots META tag 允許HTML網頁作者指出某一頁是否可以被索引，或是否可以用來查找更多的鏈接文件。目前只有部分robot實施了這一功能。

　　Robots META tag的格式為：

　　象其他的META tag一樣，它應該放在HTML文件的HEAD區：

　　...

　　Robots META tag指令使用逗號隔開，可以使用的指令包括 [NO]INDEX 和[NO]FOLLOW。INDEX指令指出一個索引性robot是否可以對本頁進行索引；FOLLOW 指令指出robot是否可以跟蹤本頁的鏈接。缺省的情況是INDEX和FOLLOW。例如：一個好的Web 站點管理員應該將robot的管理考慮在內，使robot為自己的主頁服務， 同時又不損害自己網頁的安全。