我们知道，搜索引擎都有自己的“搜索机器人”（ROBOTS），并通过这些ROBOTS在网络上沿着网页上的链接（一般是http和src链接）不断抓取资料建立自己的数据库。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、robots.txt 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
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,orNL作为结束符），每一条记录的格式如下所示：
<field>:<optionalace&;gtlt;value&;gtlt;optionalace>。
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.phpl和/help/index.phpl都不允许搜索引擎访问，而Disallow:/help/则允许robot访问/help.phpl，而不能访问/help/index.phpl。
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：l禁止所有搜索引擎访问网站的任何部分：User-agent:*Disallow:/l允许所有的robot访问User-agent:*Disallow:或者也可以建一个空文件/robots.txtfilel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/l禁止某个搜索引擎的访问（下例中的BadBot）User-agent:BadBotDisallow:/l只允许某个搜索引擎的访问（下例中的WebCrawler）User-agent:WebCrawlerDisallow:User-agent:*Disallow:/
3、常见搜索引擎机器人Robots名字
名称 搜索引擎Baiduiderhttp://www.baidu.comScooterhttp://www.altavista.comia_archiverhttp://www.alexa.comGooglebothttp://www.google.comFAST-WebCrawlerhttp://www.alltheweb.comSlurphttp://www.inktomi.comMOThttp://search.m.com
4、robots.txt举例 下面是一些著名站点的robots.txt：
http://www.eachnet.com/robots.txt
5、常见robots.txt错误
l颠倒了顺序：错误写成User-agent:*Disallow:GoogleBot
正确的应该是：User-agent:GoogleBotDisallow:*
l把多个禁止命令放在一行中：例如，错误地写成Disallow:/c//cgi-bin//../images/
正确的应该是Disallow:/c/Disallow:/cgi-bin/Disallow:/../images/
l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。
l404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。
l采用大写。例如USER-AGENT:EXCITEDISALLOW: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:GoogleBotdisallow:
l语法中只有Disallow，没有Allow！错误的写法是：User-agent:BaiduiderDisallow:/john/allow:/jane/
l忘记了斜杠/错误的写做：User-agent:BaiduiderDisallow:c
正确的应该是User-agent:BaiduiderDisallow:/c/
下面一个小工具专门检查robots.txt文件的有效性：http://www.searchengineworld.com/cgi-bin/robotcheck.cgi
二、RobotsMETA标签
1、什么是RobotsMETA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RobotsMETA标签则主要是针对一个个具体的页面。和其他的META标签（如使用的语言、页面的描述、关键词等）一样，RobotsMETA标签也是放在页面的<head&;gtlt;/head>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&;gtlt;head&;gtlt;title>网页教学网--提供最新最快的网页技术咨讯</title&;gtlt;metaname=Robotscontent=index,follow&;gtlt;metahttp-equiv=Content-TypeCONTENT=text/html;charset=gb2312&;gtlt;metaname=keywordscontent=网页…&;gtlt;metaname=descriptioncontent=网页教学网…&;gtlt;linkrel=stylesheethref=/public/c.ctype=text/c&;gtlt;/head&;gtltody>…</body&;gtlt;/html>
2、RobotsMETA标签的写法：
RobotsMETA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=”Baiduider”。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；
RobotsMeta标签的缺省值是INDEX和FOLLOW，只有inktomi除外，对于它，缺省值是INDEX,NOFOLLOW。
这样，一共有四种组合：
<METANAME=ROBOTSCONTENT=INDEX,FOLLOW&;gtlt;METANAME=ROBOTSCONTENT=NOINDEX,FOLLOW&;gtlt;METANAME=ROBOTSCONTENT=INDEX,NOFOLLOW&;gtlt;METANAME=ROBOTSCONTENT=NOINDEX,NOFOLLOW>
其中:
<METANAME=ROBOTSCONTENT=INDEX,FOLLOW>可以写成<METANAME=ROBOTSCONTENT=ALL>；<METANAME=ROBOTSCONTENT=NOINDEX,NOFOLLOW>可以写成<METANAME=ROBOTSCONTENT=NONE>
需要注意的是：上述的robots.txt和RobotsMETA标签限制搜索引擎机器人（ROBOTS）抓取站点内容的办法只是一种规则，需要搜索引擎机器人的配合才行，并不是每个ROBOTS都遵守的。
目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于RobotsMETA标签，目前支持的并不多，但是正在逐渐增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE还增加了一个指令“archive”，可以限制GOOGLE是否保留网页快照。例如：
<METANAME=googlebotCONTENT=index,follow,noarchive>
表示抓取该站点中页面并沿着页面中链接抓取，但是不在GOOLGE上保留该页面的网页快照。
