我們知道，搜尋引擎都有自己的「搜尋機器人」（ROBOTS），並通過這些ROBOTS在網絡上沿著網頁上的連結 （一般是http和src連結 ）不斷抓取資料建立自己的數據庫。 對於網站管理者和內容提供者來說，有時候會有一些站點內容，不希望被ROBOTS抓取而公開。為了解決這個問題，ROBOTS開發界提供了兩個辦法：一個是robots.txt，另一個是The Robots META標籤。

robots.txt

1、什麼是robots.txt？

robots.txt是一個純文本文件，通過在這個文件中聲明該網站中不想被robots訪問的部分，這樣，該網站的部分或全部內容就可以不被搜尋引擎收錄了，或者指定搜尋引擎只收錄指定的內容。

當一個搜尋機器人訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，如果找到，搜尋機器人就會按照該文件中的內容來確定訪問的範圍，如果該文件不存在，那麼搜尋機器人就沿著連結 抓取。

robots.txt必須放置在一個站點的根目錄下，而且文件名必須全部小寫。

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

2、robots.txt的語法

「robots.txt"文件包含一條或更多的記錄關鍵字，這些記錄通過空行分開（以CR,CR/NL, or NL作為結束符）
在該文件中可以使用#進行註解，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，後面加上若干Disallow行,詳細情況如下：

User-agent:

該項的值用於描述搜尋引擎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 :

該項的值用於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都不允許搜尋引擎訪問，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，至少要有一條Disallow記錄。如果 「/robots.txt"是一個空文件，則對於所有的搜尋引擎robot，該網站都是開放的。

下面是一些robots.txt基本的用法：

l 禁止所有搜尋引擎訪問網站的任何部分：
User-agent: *
Disallow: /

l 允許所有的robot訪問
User-agent: *
Disallow:
或者也可以建一個空文件 「/robots.txt」 file

l 禁止所有搜尋引擎訪問網站的幾個部分（下例中的cgi-bin、tmp、private目錄）
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /private/

l 禁止某個搜尋引擎的訪問（下例中的BadBot）
User-agent: BadBot
Disallow: /

l 只允許某個搜尋引擎的訪問（下例中的WebCrawler）
User-agent: WebCrawler
Disallow:

User-agent: *
Disallow: /

3、 常見搜尋引擎機器人Robots名字

名稱 搜尋引擎

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舉例

下面是一些著名站點的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、 常見robots.txt錯誤

l 顛倒了順序：
錯誤寫成
User-agent: *
Disallow: GoogleBot

正確的應該是：
User-agent: GoogleBot
Disallow: *

l 把多個禁止命令放在一行中：
例如，錯誤地寫成
Disallow: /css/ /cgi-bin/ /images/

正確的應該是
Disallow: /css/
Disallow: /cgi-bin/
Disallow: /images/

l 行前有大量空格
例如寫成
Disallow: /cgi-bin/
儘管在標準沒有談到這個，但是這種方式很容易出問題。

l 404重定向到另外一個頁面：
當Robot訪問很多沒有設置robots.txt文件的站點時，會被自動404重定向到另外一個Html頁面。這時Robot常常會以處理robots.txt文件的方式處理這個Html頁面文件。雖然一般這樣沒有什麼問題，但是最好能放一個空白的robots.txt文件在站點根目錄下。

l 採用大寫。例如
USER-AGENT: EXCITE
DISALLOW:
雖然標準是沒有大小寫的，但是目錄和文件名應該小寫：
user-agent:GoogleBot
disallow:

l 語法中只有Disallow，沒有Allow！
錯誤的寫法是：
User-agent: Baiduspider
Disallow: /john/
allow: /jane/

l 忘記了斜槓/
錯誤的寫做：
User-agent: Baiduspider
Disallow: css

正確的應該是
User-agent: Baiduspider
Disallow: /css/

下面一個小工具專門檢查robots.txt文件的有效性：

http://www.searchengineworld.com/

Robots META標籤

1、什麼是Robots META標籤

Robots.txt文件主要是限制整個站點或者目錄的搜尋引擎訪問情況，而Robots META標籤則主要是針對一個個具體的頁面。和其他的META標籤（如使用的語言、頁面的描述、關鍵詞等）一樣，Robots META標籤也是放在頁面的中，專門用來告訴搜尋引擎ROBOTS如何抓取該頁的內容。

2、Robots META標籤的寫法：

Robots META標籤中沒有大小寫之分，name=」Robots」表示所有的搜尋引擎，可以針對某個具體搜尋引擎寫為name=」BaiduSpider」。content部分有四個指令選項：index、noindex、follow、nofollow，指令間以「,」分隔。

INDEX 指令告訴搜尋機器人抓取該頁面；FOLLOW 指令表示機器人可以沿著該頁面上的連結繼續抓取下去；Robots Meta標籤的缺省值是INDEX和FOLLOW，只有inktomi除外，對於它，缺省值是INDEX,NOFOLLOW。

要注意的是：上述的robots.txt和Robots META標籤限制搜尋引擎機器人（ROBOTS）抓取站點內容的辦法只是一種規則，需要搜尋引擎機器人的配合才行，並不是每個ROBOTS都遵守的。

目前看來，絕大多數的搜尋引擎機器人都遵守robots.txt的規則，而對於Robots META標籤，目前支持的並不多，但是正在逐漸增加，如著名搜尋引擎GOOGLE就完全支持，而且GOOGLE還增加了一個指令「archive」，可以限制GOOGLE是否保留網頁快照。例如：

表示抓取該站點中頁面並沿著頁面中連結抓取，但是不在GOOLGE上保留該頁面的網頁快照