IDC资讯中心
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：
”<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
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<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>
<meta name=”robots” content=”index,follow”>
<meta http-equiv=”content-type” content=”text/html; charset=gb2312″>
<meta name=”keywords” content=”营销… “>
<meta name=”description” content=”时代营销网是…”>
<link rel=”stylesheet” href=”/public/css.css” type=”text/css”>
</head>
<body>
…
</body>
</html>
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：
<meta name=”robots” content=”index,follow”>
<meta name=”robots” content=”noindex,follow”>
<meta name=”robots” content=”index,nofollow”>
<meta name=”robots” content=”noindex,nofollow”>
其中
<meta name=”robots” content=”index,follow”>可以写成
<meta name=”robots” content=”all”>；
<meta name=”robots” content=”noindex,nofollow”>可以写成
<meta name=”robots” content=”none”>
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：
<meta 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
