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.51tui.com，它先去检查文件http://www.abc.net/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 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.51tui.com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：

象其他的meta tag一样，它应该放在html文件的head区：
　...

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：

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。