网站的规范标准化建设以及robots协议详解

一、遵循W3C规范

W3C是英文 World Wide Web Consortium 的缩写，中文意思是W3C理事会或万维网联盟。W3C于1994年10月在麻省理工学院计算机科学实验室成立。创建者是万维网的发明者Tim Berners-Lee。

W3C组织是对网络标准制定的一个非赢利组织，像HTML、XHTML、CSS、XML的标准就是由W3C来定制。W3C会员(大约500名会员)包括生产技术产品及服务的厂商、内容供应商、团体用户、研究实验室、标准制定机构和政府部门，一起协同工作，致力在万维网发展方向上达成共识。对于seo工作者对w3c的认识主要体现在对html，xhtml，xml语言标签代码的语义化认识上。

二、网站地图

1.html网站地图

Html网站地图是一种构建思路。也是链接构建技术。Html地图是沟通网站主要栏目之间的桥梁。起着引导浏览者和促进爬虫程序遍历全站的作用。如果，地图链接入口过多，应该保持每张地图不超过100个链接入口。

对于天极来说，网站地图有指向频道页及下级分类页的文本链接就足够了，更重要的是让用户很清楚的了解到天极能提供什么以及天极的特色在哪里;对于中型站点来说，仍建议在网站地图中加入内容页的文字链接，可以通过技术手段生成以文章关键词搭配文章标题为锚文本的文字链接网站地图，并且用程序控制链接数量并自动分页。

2.谷歌网站地图

Google地图跟html地图作用不同，他是完全面对搜索引擎而制作的网站地图。Google地图基于xml技术。Google地图全称是Google Sitemaps 是Google 的一个和网站管理员相关的工具，建立Google Sitemaps可以有效的促进google对网站页面的收录。现在google地图已经被各个网站广泛使用。

三、robots.txt

Robots是搜索引擎的爬虫程序通告(爬行器通告)。对于网站管理者和内容提供者来说，有时候会有一些站点内容，不希望被ROBOTS抓取而公开。为了解决这个问题，ROBOTS开发界提供了两个办法：一个是robots.txt，另一个是The Robots META标签。

1.什么是robots.txt?

robots.txt是一个纯文本文件，通过在这个文件中声明该网站中不想被robots访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。

当一个搜索机器人访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果找到，搜索机器人就会按照该文件中的内容来确定访问的范围，如果该文件不存在，那么搜索机器人就沿着链接抓取。

robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。

网站 URL

相应的 robots.txt的 URL

http://www.w3.org/

http://www.w3.org/robots.txt

2. robots.txt的语法

"robots.txt"文件包含一条或更多的记录，这些记录通过空行分开(以CR,CR/NL, or NL作为结束符)，每一条记录的格式如下所示：

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

在该文件中可以使用#进行注解，具体使用方法和UNIX中的惯例一样。该文件中的记录通常以一行或多行User-agent开始，后面加上若干Disallow行,详细情况如下：

User-agent:

该项的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，如果有多条User-agent记录说明有多个robot会受到该协议的限制，对该文件来说，至少要有一条User-agent记录。如果该项的值设为*，则该协议对任何机器人均有效，在"robots.txt"文件中， "User-agent：*"这样的记录只能有一条。

Disallow :

该项的值用于描述不希望被访问到的一个URL，这个URL可以是一条完整的路径，也可以是部分的，任何以Disallow 开头的URL均不会被robot访问到。例如"Disallow: /help"对/help.html 和/help/index.html都不允许搜索引擎访问，而"Disallow: /help/"则允许robot访问/help.html，而不能访问/help/index.html。

任何一条Disallow记录为空，说明该网站的所有部分都允许被访问，在"/robots.txt"文件中，至少要有一条Disallow记录。如果 "/robots.txt"是一个空文件，则对于所有的搜索引擎robot，该网站都是开放的。

下面是一些robots.txt基本的用法：

禁止所有搜索引擎访问网站的任何部分：

User-agent: *

Disallow: /

允许所有的robot访问

User-agent: *

Disallow:

或者也可以建一个空文件 "/robots.txt" file

禁止所有搜索引擎访问网站的几个部分(下例中的cgi-bin、tmp、private目录)

User-agent: *

Disallow: /cgi-bin/

Disallow: /tmp/

Disallow: /private/

禁止某个搜索引擎的访问(下例中的BadBot)

User-agent: BadBot

Disallow: /

只允许某个搜索引擎的访问(下例中的WebCrawler)

User-agent: WebCrawler

Disallow:

User-agent: *

Disallow: /

3.常见搜索引擎机器人Robots名字

名称搜索引擎

Baiduspider http://www.baidu.com

ia_archiver http://www.alexa.com

bot http://www.google.com

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

Slurp http://www.inktomi.com

BOT http://search.msn.com

4.robots.txt举例

下面是一些著名站点的robots.txt：

http://www.google.com/robots.txt

http://www.alibaba.com/robots.txt

http://www.baidu.com/robots.txt

http://www.taobao.com/robots.txt

5.常见robots.txt错误

颠倒了顺序：

错误写成

User-agent: *

Disallow: Bot

正确的应该是：

User-agent: GoogleBot

Disallow: *

把多个禁止命令放在一行中：

例如，错误地写成

Disallow: /css/ /cgi-bin/ /images/

正确的应该是

Disallow: /css/

Disallow: /cgi-bin/

Disallow: /images/

行前有大量空格

例如写成

Disallow: /cgi-bin/

尽管在标准没有谈到这个，但是这种方式很容易出问题。

404重定向到另外一个页面：

当Robot访问很多没有设置robots.txt文件的站点时，会被自动404重定向到另外一个Html页面。这时Robot常常会以处理robots.txt文件的方式处理这个Html页面文件。虽然一般这样没有什么问题，但是最好能放一个空白的robots.txt文件在站点根目录下。

采用大写。例如

USER-AGENT: EXCITE

DISALLOW:

虽然标准是没有大小写的，但是目录和文件名应该小写：

user-agent:GoogleBot

disallow:

语法中只有Disallow，没有Allow!

错误的写法是：

User-agent: Baiduspider

Disallow: /john/

allow: /jane/

忘记了斜杠/

错误的写做：

User-agent: Baiduspider

Disallow: css

正确的应该是

User-agent: Baiduspider

Disallow: /css/

四、 Robots META标签

1.什么是Robots META标签

Robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况，而Robots META标签则主要是针对一个个具体的页面。和的META标签(如使用的语言、页面的描述、关键词等)一样，Robots META标签也是放在页面的中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。具体的形式类似(见黑体部分)：

<html>

<head>

<title>中国站长站</title>

</head>

<body>

</body>

</html>

2.Robots META标签的写法：

Robots META标签中没有大小写之分，name=”Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=”BaiduSpider”。content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。

INDEX 指令告诉搜索机器人抓取该页面;

FOLLOW 指令表示搜索机器人可以沿着该页面上的链接继续抓取下去;

Robots Meta标签的缺省值是INDEX和FOLLOW，只有inktomi除外，对于它，缺省值是INDEX,NOFOLLOW。