我們知道，搜索引擎都有自己的“搜索機(jī)器人”（ROBOTS），并通過這些ROBOTS在網(wǎng)絡(luò)上沿著網(wǎng)頁上的鏈接（一般是http和src鏈接）不斷抓取資料建立自己的數(shù)據(jù)庫。

　　對(duì)于網(wǎng)站管理者和內(nèi)容提供者來說，有時(shí)候會(huì)有一些站點(diǎn)內(nèi)容，不希望被ROBOTS抓取而公開。為了解決這個(gè)問題，ROBOTS開發(fā)界提供了兩個(gè)辦法：一個(gè)是robots.txt，另一個(gè)是The Robots META標(biāo)簽。  

　　一、robots.txt

　　1、 什么是robots.txt？

　　robots.txt是一個(gè)純文本文件，通過在這個(gè)文件中聲明該網(wǎng)站中不想被robots訪問的部分，這樣，該網(wǎng)站的部分或全部?jī)?nèi)容就可以不被搜索引擎收錄了，或者指定搜索引擎只收錄指定的內(nèi)容。

　　當(dāng)一個(gè)搜索機(jī)器人訪問一個(gè)站點(diǎn)時(shí)，它會(huì)首先檢查該站點(diǎn)根目錄下是否存在robots.txt，如果找到，搜索機(jī)器人就會(huì)按照該文件中的內(nèi)容來確定訪問的范圍，如果該文件不存在，那么搜索機(jī)器人就沿著鏈接抓取。

　　robots.txt必須放置在一個(gè)站點(diǎn)的根目錄下，而且文件名必須全部小寫。

　　網(wǎng)站 URL　　　　　　　相應(yīng)的 robots.txt的 URL
 
http://www.w3.org/　 　　http://www.w3.org/robots.txt
 
http://www.w3.org:80/　 　http://www.w3.org:80/robots.txt
 
http://www.w3.org:1234/　 http://www.w3.org:1234/robots.txt
 
http://w3.org/　　　　　 http://w3.org/robots.txt

　　2、 robots.txt的語法


　　"robots.txt"文件包含一條或更多的記錄，這些記錄通過空行分開（以CR,CR/NL, or NL作為結(jié)束符），每一條記錄的格式如下所示：

　　"<field>:<optionalspace><value><optionalspace>"。

　　在該文件中可以使用#進(jìn)行注解，具體使用方法和UNIX中的慣例一樣。該文件中的記錄通常以一行或多行User-agent開始，后面加上若干Disallow行,詳細(xì)情況如下：

　　User-agent: 

　　該項(xiàng)的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，如果有多條User-agent記錄說明有多個(gè)robot會(huì)受到該協(xié)議的限制，對(duì)該文件來說，至少要有一條User-agent記錄。如果該項(xiàng)的值設(shè)為*，則該協(xié)議對(duì)任何機(jī)器人均有效，在"robots.txt"文件中， "User-agent：*"這樣的記錄只能有一條。

　　Disallow :

　　該項(xiàng)的值用于描述不希望被訪問到的一個(gè)URL，這個(gè)URL可以是一條完整的路徑，也可以是部分的，任何以Disallow 開頭的URL均不會(huì)被robot訪問到。例如"Disallow: /help"對(duì)/help.html 和/help/index.html都不允許搜索引擎訪問，而"Disallow: /help/"則允許robot訪問/help.html，而不能訪問/help/index.html。

　　任何一條Disallow記錄為空，說明該網(wǎng)站的所有部分都允許被訪問，在"/robots.txt"文件中，至少要有一條Disallow記錄。如果 "/robots.txt"是一個(gè)空文件，則對(duì)于所有的搜索引擎robot，該網(wǎng)站都是開放的。 

　　下面是一些robots.txt基本的用法：

　　禁止所有搜索引擎訪問網(wǎng)站的任何部分：

User-agent: *
Disallow: /

　　允許所有的robot訪問

User-agent: *
Disallow:

　　或者也可以建一個(gè)空文件 "/robots.txt" file

　　禁止所有搜索引擎訪問網(wǎng)站的幾個(gè)部分（下例中的cgi-bin、tmp、private目錄）

User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /private/

　　禁止某個(gè)搜索引擎的訪問（下例中的BadBot）
User-agent: BadBot
Disallow: /

　　只允許某個(gè)搜索引擎的訪問（下例中的WebCrawler）
User-agent: WebCrawler
Disallow:

User-agent: *
Disallow: /

　　3、常見搜索引擎機(jī)器人Robots名字


名稱                     搜索引擎

Baiduspider            http://www.baidu.com 

Scooter              http://www.altavista.com 

ia_archiver             http://www.alexa.com 

Googlebot           http://www.google.com 

FAST-WebCrawler http://www.alltheweb.com 

Slurp                  http://www.inktomi.com 

MSNBOT            http://search.msn.com