robots.txt 和 robots meta 标签应用详解

搜索引擎都有自己的“机器人”（robots、bot），通常也叫做“蜘蛛“和“爬虫”（spider），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 开发界提供了两个方法：一个是 robots.txt，另一个是 robots meta 标签。下面将对这两种方法进行详细的介绍。

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。

如 www.i0554.com，根目录下的 robots 就是 http://www.i0554.com/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）。在该文件中可以使用#进行注解。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。

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：

1）禁止所有搜索引擎访问网站的任何部分：

1
User-agent: *
2
Disallow: /

2）允许所有的 robot 访问

1
User-agent: *
2
Disallow:

或者也可以建一个空文件 “/robots.txt” file

3）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）

1
User-agent: *
2
Disallow: /cgi-bin/
3
Disallow: /tmp/
4
Disallow: /private/

4）禁止某个搜索引擎的访问（下例中的 BadBot，有些流氓是不管这些的）

1
User-agent: BadBot
2
Disallow: /

5）只允许某个搜索引擎的访问（下例中的 WebCrawler）

User-agent: WebCrawler

Disallow:

3、常见搜索引擎机器人 robots 名字

快速链接：搜索引擎蜘蛛爬虫一览

4. 常见 robots.txt 错误

1）颠倒了顺序，错误写成

1
User-agent: *
2
Disallow: GoogleBot

正确的应该是：

1
User-agent: GoogleBot
2
Disallow: *

2）把多个禁止命令放在一行中，错误写成

Disallow: /css/ /cgi-bin/ /images/

正确的应该是

Disallow: /css/

Disallow: /cgi-bin/

Disallow: /images/

3）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。

4）语法中只有 Disallow，没有 Allow！错误写成

User-agent: Baiduspider

Disallow: /john/

allow: /jane/

5）忘记了斜杠/，错误写成

User-agent: Baiduspider

Disallow: css

正确的应该是

User-agent: Baiduspider

Disallow: /css/

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）：

1
<html>
2
  <head>
3
    <title>xxx</title>
4
    <meta name="robots" content="index,follow" />
5
    <meta http-equiv="Content-Type" content="text/html; charset=gb2312" />
6
    <meta name="keywords" content="xx" />
7
    <meta name="description" content="xx" />
8
    <link rel="stylesheet" href="/public/css.css" type="text/css" />
9
  </head>
10
  <body>
11
    …
12
  </body>
13
</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，指令间以小写逗号“,“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。

一共有四种组合：

1
<meta name="robots" content="index,follow" />
2
<meta name="robots" content="noindex,follow" />
3
<meta name="robots" content="index,nofollow" />
4
<meta name="robots" content="noindex,nofollow" />

其中 <meta name="robots" content="index,follow" /> 可以简写为 <meta name="robots" content="all" />；<meta name="robots" content="noindex,nofollow" /> 可以简写为 <meta name="robots" content="none" />。

需要注意的是：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。

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 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：

1
<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 Google 上保留该页面的网页快照。