为网站的Web Robot 设计路标-白红宇

为网站的Web Robot 设计路标

阅读量：2338 次

发布时间：2019-05-10

本文共 3590 字，大约阅读时间需要 11 分钟。

为网站的Web Robot 设计路标

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：

## robots.txt for http://www.w3.org/## $Id: robots.txt,v 1.28 2004/09/26 06:20:55 sandro Exp $## Exclude Ontaria until it can handle the loadUser-agent: *Disallow: /2004/ontaria/basic# For use by search.w3.orgUser-agent: W3C-gsaDisallow: /Out-Of-Date# W3C Link checkerUser-agent: W3C-checklinkDisallow:# exclude some access-controlled areasUser-agent: *Disallow: /TeamDisallow: /ProjectDisallow: /SystemsDisallow: /WebDisallow: /HistoryDisallow: /Out-Of-DateDisallow: /2002/02/midDisallow: /mid/Disallow: /People/all/Disallow: /2003/03/Translations/byLanguageDisallow: /2003/03/Translations/byTechnology

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：

象其他的META tag一样，它应该放在HTML文件的HEAD区：

<html>

<head>

</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：

　　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。

HTML文档中小meta的大作用