搜索引擎蜘蛛及Robots详解

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。

l404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、RobotsMETA标签


1、什么是RobotsMETA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RobotsMETA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，RobotsMETA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、RobotsMETA标签的写法：


RobotsMETA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；

RobotsMeta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RobotsMETA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RobotsMETA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