保山信息港
时尚
当前位置:首页 > 时尚

为站的WebRobot设计路标

发布时间:2019-05-22 09:23:41 编辑:笔名

为站的Web Robot 设计路标

A5任务 SEO诊断选学淘宝客 站长团购 云主机

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址的超文本结构,递归地检索络站点所有的内容。这些程序有时被叫“蜘蛛(Spider)”,“上流浪汉(Web Wanderer)”,“络蠕虫(web worms)”或Web crawler。一些Internet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,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,那些可以 检索,那些不可以访问。

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软件给络站点的 管理员或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

络站点的管理员可以在站点上建立一个专门格式的文件,来指出站点上的那一部分 可以被robot访问, 这个文件放在站点的根目录下,即 http://.../t

2、Robots META tag

一个页作者可以使用专门的HTML META tag ,来指出某一个页是否可以被索 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,它先去检查文件http: //。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 "/t" 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t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 "/t" 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: BadBotDisallow: /

只允许某一个robot光顾:User-agent: WebCrawlerDisallow:User-agent: *Disallow: /

我们给出 站点上的t: # For use by User-agent: W3Crobot/1Disallow: User-agent: *Disallow: /Member/ # This is restricted to W3C Members onlyDisallow: /member/ # This is restricted to W3C Members onlyDisallow: /team/ # This is restricted to W3C Team onlyDisallow: /TandS/Member # This is restricted to W3C Members onlyDisallow: /TandS/Team # This is restricted to W3C Team onlyDisallow: /ProjectDisallow: /SystemsDisallow: /WebDisallow: /Team

使用Robots META tag方式

Robots META tag 允许HTML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:

META NAME="ROBOTS" CONTENT="NOINDEX, NOFOLLOW" 象其他的META tag一样,它应该放在HTML文件的HEAD区: 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:

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, 同时又不损害自己页的安全。

HTML文档中小meta的大作用

t和Robots META标签

t指南

Robots Meta Tag的使用

四川富顺老汉为治病私种数百株罂粟被查处拘留
女子早高峰突然倒地众市民守护不离不弃
小柴胡颗粒和板蓝根可以一起吃吗 针对病情,请先咨询医师!