tion %> 为网站的web robot 设计路标|易点互动
当前位置:首页 > 建站知识

为网站的web robot 设计路标

更新时间:2009.07.02 浏览次数:

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?

 internet上的流浪汉--- web robot

  有时你会莫名其妙地发现你的主页的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就象一个不速之客,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,就可以象一个交通 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。

  其实web robot能听懂你的话

  不要以为web robot是毫无组织,毫无管束地乱跑。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。

  使用robots exclusion protocol协议

  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: badbot
disallow: /

只允许某一个robot光顾:
user-agent: webcrawler
disallow:
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: /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

  使用robots meta tag方式

  robots meta tag 允许html网页作者指出某一页是否可以被索引,或是否可以用来查 找更多的链接文件。目前只有部分robot实施了这一功能。

  robots meta tag的格式为:

<meta name="robots" content="noindex, nofollow">
象其他的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。