模板
教程
環境
性能
功能
管理
在你的主頁中為Web robot設計路標
發表于：2007-05-25來源：作者：點擊數：
標簽：
Internet越來越酷，WWW的知名度如日中天。在Internet上發布公司信息、進行電子商務已經從時髦演化成時尚。作為一個WebMaster，你可能對HTML、 Java script、Java、ActiveX了如指掌，但你是否知道什么是Webrobot？你是否知道Webrobot和你所設計的主頁有什么關
Internet越來越酷，WWW的知名度如日中天。在Internet上發布公司信息、進行電子商務已經從時髦演化成時尚。作為一個Web Master，你可能對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和你所設 計的主頁有什么關系？
Internet上的流浪漢--- Web robot
有時你會莫名其妙地發現你的主頁的內容在一個搜索引擎中被索引，即使你從未與他 們有過任何聯系。其實這正是Web robot的功勞。Web robot其實是一些程序，它可以 穿越大量Internet網址的超文本結構，遞歸地檢索網絡站點所有的內容。這些程序有時被叫 “蜘蛛（Spider）” ， “網上流浪漢（Web Wanderer）”，“網絡蠕蟲（web worms）”或Web crawler。一些Internet網上知名的搜索引擎站點（Search Engines）都 有專門的Web robot程序來完成信息的采集，例如Lycos，Webcrawler，Altavista等，以及中文搜索引擎站點例如北極星，網易，GOYOYO等。
Web robot就象一個不速之客，不管你是否在意，它都會忠于自己主人的職責，任勞 任怨、不知疲倦地奔波于萬維網的空間，當然也會光臨你的主頁，檢索主頁內容并生成它所需要的記錄格式?；蛟S有的主頁內容你樂于世人皆知，但有的內容你卻不愿被 洞察、索引。難道你就只能任其“橫行”于自己主頁空間，能否指揮和控制Web robot的行蹤呢？答案當然是肯定的。只要你閱讀了本篇的下文，就可以象一個交通 警察一樣，布置下一個個路標，告訴Web robot應該怎么去檢索你的主頁，哪些可以檢索，哪些不可以訪問。
其實Web robot能聽懂你的話
不要以為Web robot是毫無組織，毫無管束地亂跑。很多Web robot軟件給網絡站點的 管理員或網頁內容制作者提供了兩種方法來限制Web robot的行蹤：
1、Robots Exclusion Protocol 協議
網絡站點的管理員可以在站點上建立一個專門格式的文件，來指出站點上的哪一部分 可以被robot訪問, 這個文件放在站點的根目錄下，即http://.../robots.txt.
2、Robots META tag
一個網頁作者可以使用專門的HTML META tag ，來指出某一個網頁是否可以被索 引、分析或鏈接。
這些方法適合于大多數的Web robot，至于是否在軟件中實施了這些方法，還依賴于 robot的開發者，并非可以保證對任何robot都靈驗。如果你迫切需要保護自己內容，則應考慮采用諸如增加密碼等其他保護方法。
使用Robots Exclusion Protocol協議
當robot訪問一個 Web 站點時，比如http://www.sti.net.cn/，它先去檢查文件http://www.sti.net.cn/robots.txt。如果這個文件存在，它便會按照這樣的記錄格式去分析：
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /~joe/
以確定它是否應該檢索站點的文件。這些記錄是專門給Web robot看的，一般的瀏覽 者大概永遠不會看到這個文件，所以千萬不要異想天開地在里面加入形似<img src=*> 類的HTML語句或是“How do you do? where are you from?”之類假情假意的問候語。
在一個站點上只能有一個 "/robots.txt" 文件，而且文件名的每個字母要求全部是小 寫。在robot的記錄格式中每一個單獨的"Disallow"行表示你不希望robot訪問的URL， 每個URL必須單獨占一行，不能出現 "Disallow: /cgi-bin/ /tmp/"這樣的病句。同時在一個記錄中不能出現空行，這是因為空行是多個記錄分割的標志。
User-agent行指出的是robot或其他代理的名稱。在User-agent行，'*' 表示一個特殊的含義---所有的robot。
下面是幾個robot.txt的例子：
在整個服務器上拒絕所有的robots：
User-agent: *
Disallow: /
允許所有的robots訪問整個站點：
User-agent: *
Disallow:
或者產生一個空的 "/robots.txt" 文件。
服務器的部分內容允許所有的robot訪問
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /private/
拒絕某一個專門的robot：
User-agent: BadBot
Disallow: /
只允許某一個robot光顧：
User-agent: WebCrawler
Disallow:
User-agent: *
Disallow: /
最后我們給出 http://www.w3.org/站點上的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 允許HTML網頁作者指出某一頁是否可以被索引，或是否可以用來查找更多的鏈接文件。目前只有部分robot實施了這一功能。
Robots META tag的格式為：
<META NAME="ROBOTS" CONTENT="NOINDEX, NOFOLLOW">
象其他的META tag一樣，它應該放在HTML文件的HEAD區：
<html>
<head>
<meta name="robots" content="noindex,nofollow">
<meta name="description" content="This page ....">
<title>...</title>
</head>
<body>
...
Robots META tag指令使用逗號隔開，可以使用的指令包括 [NO]INDEX 和[NO]FOLLOW。INDEX 指令指出一個索引性robot是否可以對本頁進行索引；FOLLOW 指 令指出robot是否可以跟蹤本頁的鏈接。缺省的情況是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">
一個好的Web 站點管理員應該將robot的管理考慮在內，使robot為自己的主頁服務， 同時又不損害自己網頁的安全
| 郝君 回復于：2003-08-19 02:27:01 |
| 血 |
| Konye 回復于：2003-12-07 15:17:40 |
| 您能教我怎么用DARWIN701上網嗎?我剛安裝了這個系統.好像不能上網呀. |
