robots.txt 和 robots meta 标签应用详解
作者：wolfit
来源：http://www.wilf.cn/post/robots.html
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href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：
User-agent: *
Disallow: /
2）允许所有的robot访问
User-agent: *
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）
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
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）
User-agent: BadBot
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
User-agent: *
Disallow: GoogleBot
正确的应该是：
User-agent: GoogleBot
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<head></head>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：
<html>
<head>
<title>xxx</title>
<meta name="robots" content="index,follow" />
<meta http-equiv="Content-Type" content="text/html; charset=gb2312" />
<meta name="keywords" content="xx " />
<meta name="description" content="xx" />
</head>
<body>…</body>
</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：
<meta name="robots" content="index,follow" />
<meta name="robots" content="noindex,follow" />
<meta name="robots" content="index,nofollow" />
<meta name="robots" content="noindex,nofollow" />
``
其中
```HTML
<meta name="robots" content="index,follow" />
可以写成
<meta name="robots" content="all" />
<meta name="robots" content="noindex,nofollow" />
可以写成
<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：
<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。