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？
6 N! w& V9 g! q0 \+ i' r
1 _- j: k% x, i9 N
Internet上的流浪汉--- Web Robot
$ r5 y! D3 e( E7 w! n; m4 x, k1 a# c" H" X: o( q" c Q# u
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。
+ t7 X5 u7 |0 [9 D, [3 ?
6 }- ]2 v2 u, _ 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。
4 Z' Q' o. ^& r6 O6 d
* q: n: o+ ?2 @- G# M9 S
其实Web Robot能听懂你的话
; Y+ X) Z" ~5 s9 `$ d! e0 y V. r
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 h9 T$ E( Z2 B7 J- u
r0 k8 l* W% Y" H! t 1、
Robots Exclusion Protocol 协议 9 b. |1 f9 P% [% z
9 \- k: p. W% [( J7 F7 ] v1 a
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 .
4 ~5 ~4 B# ^- b, `6 B8 K C, f/ H( G& I6 n0 q% [1 \8 u* C
2、
Robots META tag
Z9 }/ | P' r- p) X9 F
8 i9 k. \ c& B& U: {) v) o- ` s 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。
I& m; T. I. }3 C; u8 c8 f
. N- K( B" S; X3 n- C 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。
% }; i" B0 b& `/ L+ h
6 t% k; P7 j" H. m$ T: X 使用Robots Exclusion Protocol协议
/ m7 W- H0 [9 R. } s' E, A7 z, z9 V+ u+ j. d/ A
当Robot访问一个 Web 站点时，比如
http://www.yelia.com/ ，它先去检查文件
www.yelia.com/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：
复制内容到剪贴板
代码:
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=http://www.yelia.com/*> 之类的HTML语句或是“How do you do? where are you from?”之类假情假意的问候语。
& T- P+ t8 i# S7 K7 b, X! b) c; z
+ t8 E/ n7 }& R) w. e" d: k 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。
7 i( G% T5 g+ a& A; V6 ^* _
' Y, M' l" O- j) a8 o
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。
: J/ s: b+ |2 X0 R& j0 b0 E2 K: X/ k. ?
下面是几个robot.txt的例子：
% B# ^" O f0 A8 X/ Q1 W! d8 h+ a
' u6 o0 J p' q' p( G% ~在整个服务器上拒绝所有的robots：
复制内容到剪贴板
代码:
User-agent: *
Disallow: / 允许所有的robots访问整个站点：
复制内容到剪贴板
代码:
User-agent: *
Disallow:或者产生一个空的 "/robots.txt" 文件。
" E; _0 K5 F+ x( e
+ y9 n+ p3 Y! |% h7 e6 c e服务器的部分内容允许所有的robot访问复制内容到剪贴板
代码:
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /private/拒绝某一个专门的robot：
复制内容到剪贴板
代码:
User-agent: BadBot
Disallow: /只允许某一个robot光顾：
复制内容到剪贴板
代码:
User-agent: WebCrawler
Disallow:
User-agent: *
Disallow: /最后我们给出
http://www.w3.org 站点上的robots.txt：
复制内容到剪贴板
代码:
# 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
3 p, R6 i0 e4 ~% b
6 C! i5 ` \* O8 X 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。
' K2 e! a* q7 F* {" |6 |6 q C% g. K E# P7 X4 n
象其他的META tag一样，它应该放在HTML文件的HEAD区。
( Z* @2 I+ l! L' X# \4 l) x" ?
- f' y& `/ F8 B! d. | 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。
$ E. {% V8 C/ o! g
- m- z8 c, [6 R, n, o9 ]+ ? 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。
你知道吗？
