搜索引擎的Robots的潜规则

robots.txt是一种存放于网站根目录下的文本文件,用于告诉搜索引擎的爬虫(spider),此网站中的哪些内容是不应被搜索引擎的索引,哪些是可以被索引。通常认为,robots.txt文件用来搜索引擎对目标网页的抓取。

在所有meta标签中,专门有一类是指导机器人如何处理抓取后的页面,如何追踪页面上的链接的。描述这种信息的meta标签被称为robotsmeta标签(robots meta tag),它就是本文的主角。

Robots文件是我们与搜索引擎对话的最重要渠道。
为什么meta信息有这么多种类,我们却从来没有在网页上看到过它们呢?因为meta标签的内容在浏览器上是不显示的。绝大部分的meta信息是写给搜索引擎看的,用于帮助搜索引擎判断页面的价值、重要性。
作为网页设计者和搜索引擎交流的一个重要渠道,各种meta标签提供了从不同角度描述页面的基础信息,而机器人在访问网页时也会首先读取这个部分。
关于robots基础阅读:

http://www.baidu.com/search/robots.html

http://www.robotstxt.org/robotstxt.html

http://www.google.com/support/webmasters/bin/answer.py?Hl=cn&answer=156449

绝大部分 spider 能够识别的是以下几种:

noindex -【页面会被抓取,但在被google的后台系统分析完以后会被丢弃,不会进入google的索引排序,对用户而言也就不会出现在搜索结果中】
nofollow -【禁止googlebot追踪页面上的一切链接(阻止访问)。(与meta级别的nofollow不同的是, link级别里的nofollow只会阻止robot追踪单条链接)】
noarchive -【禁止在搜索结果中显示该页面的快照】
nosnippet -【禁止在搜索结果的网页链接下显示内容摘要,同时阻止搜索引擎产生该页面的快照】
noodp -【在搜索结果的页面摘要部分屏蔽open directory project对该页面的描述】
none -【等同于同时使用noindex和nofollow两个参数】

robots文件的使用,有很多特别需要注意的,甚至很多知识点甚至搜索引擎本身都没有给出详尽的说明或者是使用方法。在参阅了大量的资料和结合自身的一些尝试,本文将重点说明下,一些在对robots文件进行处理的过程中需要特别注意的潜规则:

一不允许出现多条user-agent的记录
一份“/robots.txt”文档中不允许出现多条包含“user-agent: *”的记录(但允许没有此记录)。

二- spider名字的大小写问题
大多数搜索引擎的spider在读取user-agent值的时候都是忽略大小写,既Googlebot和googlebot应该都能被google识别。但是,我在学习淘宝seo的时候也发现,或许为了保险起见,淘宝的工作人员在自己的“/robots.txt”里面分别写了“user-agent: baiduspider”和“user-agent: baiduspider”两条。(参见:http://www.taobao.com/robots.txt)

三、allow和disallow的顺序
大部分情况下,想要兼容所有的机器人,就应当将allow指令放在disallow指令的前面,例如:
Allow: /a/b.html
Disallow: /a/
这会阻止对”/a/”内除了”/a/b.html”以外一切内容的检索,因为后者是优先匹配成功的。虽然对于google和百度来说,先后顺序并不重要。但是不排除会导致其他搜索引擎出现抓取问题。

四、allow与disallow的角力
如果allow指令中的地址同disallow指令中的地址相比具有相同或更多字符(意味着allow指令所描述的地址更“深”、更“具体”)的话,虽然disallow指令也能匹配,但allow指令仍然会“获胜”(这样就达到开放子文件夹的目的了,同时没被allow的部分依然不会被检索)。

五、反斜杠“/”的意义
反斜杠“/”表示禁止搜索引擎进入该目录。
User-agent: spider
Disallow: /a
对这样的记录机器人该怎么反应?按照res标准,机器人会将名为“a”的文件和名为“a”的目录都disallow。当然,比较符合逻辑切清晰的写法是使用“/”来标识所声明的路径:
Disallow: /a/
注意不要忘记“a”前面的“/”

六、在指示行末尾加注的问题

在“/robots.txt”文件中,凡以“#”开头的行,均被视为注解内容,这和unix中的惯例是一样的。例如:
Disallow: /cgi-bin/ # this bans robots from our cgi-bin

七、尽量不要在一行的前面出现空格,如“ disallow: /”《很多人非常不小心,空格就没了》
Res标准并未对这种格式予以特别说明,但和上面一个问题一样,可能导致某些机器人无法正确解读。

八.文件目录区分大小写(这个或许是困惑大多数人的)
虽然res标准忽略大小写(case insensitive),但目录和文件名却是大小写敏感的。所以对于”user-agent”和”disallow”指令,用大小写都是可以的。但对于所声明的目录或文件名却一定要注意大小写的问题。例如:
Disallow: /abc.htm
会拦截“http://www.example.com/abc.htm”

却会允许http://www.example.com/Abc.htm
所以在IIS服务器可能出现的 诸多 大小写目录问题,可以通过此方法得到圆满解决。
九、如果页面中包含了多个同类型meta标签,spider会累加内容取值
对于下面两条语句来说:
<meta name=”robots” content=”noindex” />
<meta name=”robots” content=”nofollow” />
搜索引擎将会理解成:
<meta name=”robots” content=”noindex, nofollow” />

十当内容取值冲突的时候,google和百度等大多数搜索引擎会采纳限制性最强的参数
例如,如果页面中包含如下meta标签:
<meta name=”robots” content=”noindex” />
<meta name=”robots” content=”index” />
Spider会服从noindex的取值。

十一.如果你既用了robots.txt文件又用了robots meta标签
当二者出现冲突,googlebot会服从其中限制较严的规则
如果你在robots.txt中阻止了对一个页面的检索,googlebot永远不会爬到这个页面,因此也根本不会读到这个页面上的meta标签。 如果你在robots.txt里面允许了对一个页面的检索,却在meta标签中禁止了这一行为,googlebot会到达这个页面,在读到meta标签后终止进一步的检索行为。

 

 

版权声明:本文内容以盗版加工为主,原创为辅,意在分享,收藏,记录工作中的点点滴滴。不代表任何组织,不代表任何商业机构,也不代表我个人所有想法。
心晴客栈 » 搜索引擎的Robots的潜规则

3 评论

  1. ROBOTS谨慎使用,不懂得规则千万不要上传哦

  2. 楼主发点新贴吧,想你了。贵在交友,创业

  3. 写得很好 期待新的内容进行更新

发表回复