给搜索引擎的机器人Web Robot指路
时间：2007-12-24 13:09:12 推荐指数：
关注度：
报告业务: 010-65667912
关注度：
报告业务: 010-65667912
Internet越来越酷，WWW的知名度如日中天。在Internet上发布公司信息、进行电子商务已经从时髦演化成时尚。作为一个Web Master，你可能对HTML、Javascript、Java、 ActiveX了如指掌，但你是否知道什么是Web Robot？你是否知道Web Robot和你所设计的主页有什么关系？
Web Robot就像Internet上的流浪汉。有时你会莫名其妙地发现你的主页内容在一个搜索引擎中被索引，即使你从未与他们有过任何联系。其实这正是Web Robot的功劳。Web Robot其实是一些程序，它可以穿越大量Internet网址的超文本结构，递归地检索网络站点所有的内容。这些程序有时被叫 “蜘蛛（Spider）” ， “网上流浪汉（Web Wanderer）”，“网络蠕虫（web worms）”或“Web crawler”。一些Internet网上知名的搜索引擎站点（Search Engines）都有专门的Web Robot程序来完成信息的采集，例如Lycos，Webcrawler，Altavista等，以及中文搜索引擎站点例如北极星，网易，GOYOYO等。
Web Robot就像一个不速之客，不管你是否在意，它都会忠于自己主人的职责，任劳任怨、不知疲倦地奔波于万维网的空间，当然也会光临你的主页，检索主页内容并生成它所需要的记录格式。或许有的主页内容你乐于世人皆知，但有的内容你却不愿被洞察、索引。难道你就只能任其“横行”于自己主页空间，能否指挥和控制Web Robot的行踪呢？答案当然是肯定的。只要你阅读了本篇的下文，就可以像一个交通警察一样，布置下一个个路标，告诉Web Robot应该怎么去检索你的主页，哪些可以检索，哪些不可以访问。
不要以为Web Robot是毫无组织，毫无管束地乱跑。其实Web Robot能听懂你的话，很多Web Robot软件给网络站点的管理员或网页内容制作者提供了两种方法来限制Web Robot的行踪：
1.Robots Exclusion Protocol 协议
网络站点的管理员可以在站点上建立一个专门格式的文件，来指出站点上的哪一部分可以被robot访问, 这个文件放在站点的根目录下，即http:／／...／robots.txt.
2.Robots META tag
一个网页作者可以使用专门的HTML META tag来指出某一个网页是否可以被索引、分析或链接。
这些方法适合于大多数的Web Robot，至于是否在软件中实施了这些方法，还依赖于 Robot的开发者，并非可以保证对任何Robot都灵验。如果你迫切需要保护自己内容， 则应考虑采用诸如增加密码等其他保护方法。
当Robot访问一个 Web 站点时，比如http:／／www.sti.net.cn／，它先去检查文件http: ／／www.sti.net.cn／robots.txt。如果这个文件存在，它便会按照这样的记录格式去分析：
User－agent: ＊Disallow: ／cgi－bin／Disallow: ／tmp／Disallow: ／～joe／
以确定它是否应该检索站点的文件。这些记录是专门给Web Robot看的，一般的浏览 者大概永远不会看到这个文件，所以千万不要异想天开地在里面加入形似<img src=＊> 类的HTML语句或是“How do you do? where are you from?”之类假情假意的问候语。
在一个站点上只能有一个 “／robots.txt" 文件，而且文件名的每个字母要求全部是小 写。在Robot的记录格式中每一个单独的“Disallow" 行表示你不希望Robot访问的URL， 每个URL必须单独占一行，不能出现 “Disallow: ／cgi－bin／ ／tmp／"这样的病句。同时在一个 记录中不能出现空行，这是因为空行是多个记录分割的标志。
User－agent行指出的是Robot或其他代理的名称。在User－agent行，“＊” 表示一个特殊的含义――所有的robot。
下面是几个robot.txt的例子：
在整个服务器上拒绝所有的robots：
User－agent: ＊Disallow: ／
允许所有的robots访问整个站点：
User－agent: ＊Disallow:或者产生一个空的 “／robots.txt" 文件。
服务器的部分内容允许所有的robot访问User－agent: ＊Disallow: ／cgi－bin／Disallow: ／tmp／Disallow: ／private／
拒绝某一个专门的robot：User－agent: BadBotDisallow: ／
只允许某一个robot光顾：User－agent: WebCrawlerDisallow:User－agent: ＊Disallow: ／
最后我们给出 http:／／www.w3.org／站点上的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: ／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
Robots META tag的格式为：
<META NAME=“ROBOTS" CONTENT=“NOINDEX, NOFOLLOW">
像其他的META tag一样，它应该放在HTML文件的HEAD区：
<html>
<head>
<meta name=“robots" content=“noindex,nofollow">
<meta name=“description" content=“This page……">
<title>……<／title>
<／head>
<body>
……
Robots META tag指令使用逗号隔开，可以使用的指令包括〖NO]INDEX 和〖NO〗FOLLOW。INDEX 指令指出一个索引性robot是否可以对本页进行索引；FOLLOW 指 令指出robot是否可以跟踪本页的链接。缺省的情况是INDEX和FOLLOW。例如：
<meta name=“robots" content=“index,follow">
<meta name=“robots" content=“noindex,follow">
<meta name=“robots" content=“index,nofollow">
<meta name=“robots" content=“noindex,nofollow">
一个好的Web 站点管理员应该将robot的管理考虑在内，使robot为自己的主页服务， 同时又不损害自己网页的安全。如果在使用中有什么问题可以访问我的网站e－cash.csol.net
Web Robot就像Internet上的流浪汉。有时你会莫名其妙地发现你的主页内容在一个搜索引擎中被索引，即使你从未与他们有过任何联系。其实这正是Web Robot的功劳。Web Robot其实是一些程序，它可以穿越大量Internet网址的超文本结构，递归地检索网络站点所有的内容。这些程序有时被叫 “蜘蛛（Spider）” ， “网上流浪汉（Web Wanderer）”，“网络蠕虫（web worms）”或“Web crawler”。一些Internet网上知名的搜索引擎站点（Search Engines）都有专门的Web Robot程序来完成信息的采集，例如Lycos，Webcrawler，Altavista等，以及中文搜索引擎站点例如北极星，网易，GOYOYO等。
Web Robot就像一个不速之客，不管你是否在意，它都会忠于自己主人的职责，任劳任怨、不知疲倦地奔波于万维网的空间，当然也会光临你的主页，检索主页内容并生成它所需要的记录格式。或许有的主页内容你乐于世人皆知，但有的内容你却不愿被洞察、索引。难道你就只能任其“横行”于自己主页空间，能否指挥和控制Web Robot的行踪呢？答案当然是肯定的。只要你阅读了本篇的下文，就可以像一个交通警察一样，布置下一个个路标，告诉Web Robot应该怎么去检索你的主页，哪些可以检索，哪些不可以访问。
不要以为Web Robot是毫无组织，毫无管束地乱跑。其实Web Robot能听懂你的话，很多Web Robot软件给网络站点的管理员或网页内容制作者提供了两种方法来限制Web Robot的行踪：
1.Robots Exclusion Protocol 协议
网络站点的管理员可以在站点上建立一个专门格式的文件，来指出站点上的哪一部分可以被robot访问, 这个文件放在站点的根目录下，即http:／／...／robots.txt.
2.Robots META tag
一个网页作者可以使用专门的HTML META tag来指出某一个网页是否可以被索引、分析或链接。
这些方法适合于大多数的Web Robot，至于是否在软件中实施了这些方法，还依赖于 Robot的开发者，并非可以保证对任何Robot都灵验。如果你迫切需要保护自己内容， 则应考虑采用诸如增加密码等其他保护方法。
当Robot访问一个 Web 站点时，比如http:／／www.sti.net.cn／，它先去检查文件http: ／／www.sti.net.cn／robots.txt。如果这个文件存在，它便会按照这样的记录格式去分析：
User－agent: ＊Disallow: ／cgi－bin／Disallow: ／tmp／Disallow: ／～joe／
以确定它是否应该检索站点的文件。这些记录是专门给Web Robot看的，一般的浏览 者大概永远不会看到这个文件，所以千万不要异想天开地在里面加入形似<img src=＊> 类的HTML语句或是“How do you do? where are you from?”之类假情假意的问候语。
在一个站点上只能有一个 “／robots.txt" 文件，而且文件名的每个字母要求全部是小 写。在Robot的记录格式中每一个单独的“Disallow" 行表示你不希望Robot访问的URL， 每个URL必须单独占一行，不能出现 “Disallow: ／cgi－bin／ ／tmp／"这样的病句。同时在一个 记录中不能出现空行，这是因为空行是多个记录分割的标志。
User－agent行指出的是Robot或其他代理的名称。在User－agent行，“＊” 表示一个特殊的含义――所有的robot。
下面是几个robot.txt的例子：
在整个服务器上拒绝所有的robots：
User－agent: ＊Disallow: ／
允许所有的robots访问整个站点：
User－agent: ＊Disallow:或者产生一个空的 “／robots.txt" 文件。
服务器的部分内容允许所有的robot访问User－agent: ＊Disallow: ／cgi－bin／Disallow: ／tmp／Disallow: ／private／
拒绝某一个专门的robot：User－agent: BadBotDisallow: ／
只允许某一个robot光顾：User－agent: WebCrawlerDisallow:User－agent: ＊Disallow: ／
最后我们给出 http:／／www.w3.org／站点上的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: ／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
Robots META tag的格式为：
<META NAME=“ROBOTS" CONTENT=“NOINDEX, NOFOLLOW">
像其他的META tag一样，它应该放在HTML文件的HEAD区：
<html>
<head>
<meta name=“robots" content=“noindex,nofollow">
<meta name=“description" content=“This page……">
<title>……<／title>
<／head>
<body>
……
Robots META tag指令使用逗号隔开，可以使用的指令包括〖NO]INDEX 和〖NO〗FOLLOW。INDEX 指令指出一个索引性robot是否可以对本页进行索引；FOLLOW 指 令指出robot是否可以跟踪本页的链接。缺省的情况是INDEX和FOLLOW。例如：
<meta name=“robots" content=“index,follow">
<meta name=“robots" content=“noindex,follow">
<meta name=“robots" content=“index,nofollow">
<meta name=“robots" content=“noindex,nofollow">
一个好的Web 站点管理员应该将robot的管理考虑在内，使robot为自己的主页服务， 同时又不损害自己网页的安全。如果在使用中有什么问题可以访问我的网站e－cash.csol.net
上一篇：全面诠释ISDN
下一篇：IE 5.5浏览器评测（二）
相关文章
无相关信息
用户评论
-
※ 评论注意事项：
您的评论将在管理员审核后才会显示。
不是智囊风云榜会员或未登陆发表评论，评论人名字显示为匿名。
尊重网上道德，遵守中华人民共和国的各项有关法律法规
承担一切因您的行为而直接或间接导致的民事或刑事法律责任
本站管理人员有权保留或删除评论中的任意内容
参与本评论即表明您已经阅读并接受上述条款。
