我要投稿
  • 您当前的位置:57365.com -> 技术教程 -> 服务器网络 -> 服务器教程 -> Web服务器教程 -> 教程内容
  • [ 收藏本页教程 ]
  • 在你的主页中为Web robot设计路标Web服务器教程

    教程作者:佚名    教程来源:不详   教程栏目:Web服务器教程    收藏本页
                  摘要:在你的主页中为Web robot设计路标
      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网址的超文本结构,递归地检索网络站点所有的内容。这些程序有时被叫 “蜘蛛(Spider)” , “网上流浪汉(Web Wanderer)”,“网络蠕虫(web worms)”或Web crawler。一些Internet网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,网易,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网的空间,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,哪些可以检索,哪些不可以访问。 

      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软件给网络站点的 管理员或网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 

      网络站点的管理员可以在站点上建立一个专门格式的文件,来指出站点上的哪一部分 可以被robot访问, 这个文件放在站点的根目录下,即http://.../robots.txt. ;

      2、Robots META tag 

      一个网页作者可以使用专门的HTML META tag ,来指出某一个网页是否可以被索 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http://www.sti.net.cn/,它先去检查文件http://www.sti.net.cn/robots.txt。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 "/robots.txt" 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robot.txt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 "/robots.txt" 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: BadBot 
      Disallow: /


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

      最后我们给出 http://www.w3.org/站点上的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 允许HTML网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, 同时又不损害自己网页的安全

     郝君 回复于:2003-08-19 02:27:01

     Konye 回复于:2003-12-07 15:17:40您能教我怎么用DARWIN701上网吗?我刚安装了这个系统.好像不能上网呀.

    我要投稿   -   广告合作   -   关于本站   -   友情连接   -   网站地图   -   联系我们   -   版权声明   -   设为首页   -   加入收藏   -   网站留言
    Copyright © 2009 - 20012 www.www.hxswjs.com All Rights Reserved.57365.com 版权所有