搜索引擎统一Robots文件标准

    搜索引擎三巨头打的不亦乐乎，但偶尔也合作一下。去年Google，雅虎，微软就合作，共同遵守统一的Sitemaps标准。前两天三巨头又同时宣布，共同遵守的robots.txt文件标准。Google，雅虎，微软各自在自己的官方博客上发了一篇帖子，公布三家都支持的robots.txt文件及Meta标签的标准，以及一些各自特有的标准。下面做一个总结。 

    三家都支持的robots文件记录包括： 

    Disallow – 告诉蜘蛛不要抓取某些文件或目录。如下面代码将阻止蜘蛛抓取所有的网站文件： 

    User-agent: * 
    Disallow: / 

    Allow – 告诉蜘蛛应该抓取某些文件。Allow和Disallow配合使用，可以告诉蜘蛛某个目录下，大部分都不抓取，只抓取一部分。如下面代码将使蜘蛛不抓取ab目录下其他文件，而只抓取其中cd下的文件： 

    User-agent: * 
    Disallow: /ab/ 
    Allow: /ab/cd 

    $通配符 – 匹配URL结尾的字符。如下面代码将允许蜘蛛访问以.htm为后缀的URL： 

    User-agent: * 
    Allow: .htm$ 

    *通配符 – 告诉蜘蛛匹配任意一段字符。如下面一段代码将禁止蜘蛛抓取所有htm文件： 

    User-agent: * 
    Disallow: /*.htm 

    Sitemaps位置 – 告诉蜘蛛你的网站地图在哪里，格式为： 

    Sitemap: <sitemap_location> 

    三家都支持的Meta标签包括： 

    NOINDEX – 告诉蜘蛛不要索引某个网页。 

    NOFOLLOW – 告诉蜘蛛不要跟踪网页上的链接。 

    NOSNIPPET – 告诉蜘蛛不要在搜索结果中显示说明文字。 

    NOARCHIVE – 告诉蜘蛛不要显示快照。 

    NOODP – 告诉蜘蛛不要使用开放目录中的标题和说明。 

    上面这些记录或标签，现在三家都共同支持。其中通配符好像以前雅虎微软并不支持。百度现在也支持Disallow，Allow及两种通配符。Meta标签我没有找到百度是否支持的官方说明。 

    只有Google支持的Meta标签有： 

    UNAVAILABLE_AFTER – 告诉蜘蛛网页什么时候过期。在这个日期之后，不应该再出现在搜索结果中。 

    NOIMAGEINDEX – 告诉蜘蛛不要索引页面上的图片。 

    NOTRANSLATE – 告诉蜘蛛不要翻译页面内容。 

    雅虎还支持Meta标签： 

    Crawl-Delay – 允许蜘蛛延时抓取的频率。 

    NOYDIR – 和NOODP标签相似，但是指雅虎目录，而不是开放目录。 

    Robots-nocontent – 告诉蜘蛛被标注的部分html不是网页内容的一部分，或者换个角度，告诉蜘蛛哪些部分是页面的主要内容（想被检索的内容）。 

    MSN还支持Meta标签： 

    Crawl-Delay

    另外提醒大家注意的是，robots.txt文件可以不存在，返回404错误，意味着允许蜘蛛抓取所有内容。但抓取robots.txt文件时却发生超时之类的错误，可能导致搜索引擎不收录网站，因为蜘蛛不知道robots.txt文件是否存在或者里面有什么内容，这与确认文件不存在是不一样的。