影响搜索引擎排名的基本因素（七）robots
robots.txt和Robots META 标签
搜索引擎都有自己的搜索机器人（ROBOTS）,并通过这些ROBOTS在网络上沿着网页的链接（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，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开发界提供了两个办法，分别是robots.txt和Robots META标签。
1.robots.txt
（1）robots.txt简介
robots.txt是一个纯文本文件，如果在这个文件中声明该网站中不想被ROBOTS访问的部分，则该网站的部分或全部内容就可以不被搜索引擎收录，也可以指定搜索引擎只收录的内容。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，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果不存在，那么搜索机器人就会沿着链接抓取。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。
（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作为结束符），每一条记录的格式如下：
“<field>:<optionalspace><value><optionalspace>”
在该文件中可以使用“#”进行注释，具体使用方法和UNIX中的惯例一样。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，详细情况如下。
User-agent:该项的值用于描述搜索引擎ROBOTS的名字，在robots.txt文件中，如果有多条User-agent记录，说明有多个ROBOTS会受到该协议的限制，对该文件来说，至少有一条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，也可以是部分的路径，任何以Disallow开头的URL均不会被ROBOTS访问到。
（3）robots.txt的基本用法
禁止所有搜索引擎访问网站的任何部分的代码如下：
User-agent:*
Disallow:/
允许所有的ROBOTS访问的代码如下：
User-agent:*
Disallow:/
或者也可以建一个空robots.txt文件。
禁止所有搜索引擎访问网站的几个部分（如下面的cgi-bin、tmp、private目录）的代码如下：
User-agent:*
Disallow:/cgi-bin/
Disallow:/tmp/
Disallow:/private/
禁止某个搜索引擎的访问（如下面的BadBot）的代码如下：
User-agent:BadBot
Disallow:/
只允许某个搜索引擎的访问（如下面的WebCrawler）的代码如下：
User-agent:WebCrawler
Disallow:
User-agent:*
Disallow:/
(4)常见搜索引擎机器人的名字如下：
百度 Baiduspider,altavista Scooter，alexa ia archiver,谷歌 Googlebot，alltheweb FAST-WebCrawler,inktomi Slurp,msn MSNBOT.
(5)常见的robots.txt错误
颠倒了顺序。把多个禁止命令放在一行中。行前有大量空格。尽管在标准中没有谈到这个但是这种方式很容易出现问题。
404重定向到另一个页面。采用大写。虽然标准是不区分大小写的，但是目录和文件名应该小写。语法中只有Disallow，没有allow。忘记加斜杠“/”。可以使用工具检查robots.txt文件的有效性。
2.Robots META标签
robots.txt文件主要用于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标签一样（如使用的语言、页面的描述和关键词等），Robots META标签也放在页面的<head>和</head>中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。
Robots META标签中没有大小写之分，name=”Robots”表示所有的搜索引擎，可以针对某个具体的搜索引擎写为name=”XX”。content部分有4个指令选项，分别是index、noindex、follow、nofollow，指令间以逗号“，”间隔。INDEX指令告诉我们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抓取下去；Robots META标签默认值是INDEX和FOLLOW，只有inktomi除外，它的默认值是INDEX和NOFOLLOW。
需要注意的是：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有一种规则，需要搜索引擎机器人的配合才行，并不是每个ROBOTS都能遵守的。
以目前来看，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，但是数量正在逐渐增加。如谷歌就完全支持，而且google还增加了一个命令archive，可以限制google是否保留网页快照。
最新评论