|
|
|
#1
2006-01-07, 08:21 PM
|
||||
|
||||
有關robots.txt
什麼是 Robot 程式？
WWW Robot 是一種模擬WWW瀏覽器的程式，會自動遊走網路上的位址，將一篇文件或任何檔案抓回，再根據該文件內所連結到其它文件或資料的相關資訊，繼續將其它文件也抓回，如此不停循環。Robot的用途，包括建立搜尋引摯（WWW Search Engine）的資料庫、檢查連結異動、複製資料等。例如Google、AltaVista、Lycos、Infoseek等著名的搜尋工具，都是利用類似的技巧，來建立查詢資料庫，對外提供服務。 由於 WWW系統的基本設計原理並不複雜，因此簡單的Robot程式容易取得或者自行發展。然而由於程式是自動執行，使用者可能輕率使用、程式設計者可能未把情況考慮完整，或者程式因有未發現的小錯誤，而會拼命地或重複地向同一台機器不停地抓資料，造成該機器負擔過重，以及整個網路嚴重雍塞，甚至影響整個網際網路及伺服機器的服務品質。私人Robot對整個公共網路的負面影響，早已引起國際注意，並提出 A Standard for Robot Exclusion 給資訊提供者及伺服器管理員參考，以做為網路運作的共同規範，共同維護網路的正常運作。 透過Robots Exclusion Protocol協議，網站管理員即可依據一個固定的文字格式，指出網站上哪一個部分可以被Robot巡行，哪一個部分不歡迎Robot進行處理。這一點對目前的網站架構來說，顯的特別重要。一般來說，網站管理員會將圖形檔案、動態產生的CGI程式、或是需要輸入密碼的網頁集中放置在特定的目錄。此三類檔案，因為屬性特別，或不適合文字搜尋引擎處理，或資料是每次動態產生沒有儲存必要，或需要特殊權限才能存取，既使Robot來存取，也沒有特殊意義。若能在robots.txt中加以說明，定可大大減少Robot本身及Robot對網站主機的負荷，減省的資源還可以調整對更有需要的網頁進行服務。對搜尋引擎和網站主機來說，都有正向的助益。 Robots Exclusion Protocol注意事項。 ‧robots.txt：檔名必須要小寫。 ‧檔案位置：需放在網站的根目錄下，例如http ://.../robots.txt。 ‧User-agent：代表不允許哪些Robot巡行，詳細介紹如下。 ‧Disallow：代表不允許Robot巡行哪些檔案，詳細介紹如下。 ‧空白行：代表分區段。 ‧#：代表註解。 User-agent User-agent行指出的是您想拒絕Robot的名稱。在User-agent行，"*"表示您想拒絕所有的Robot造訪。如果您想特定指定某一個Robot，只要將該Robot的名字列出即可。或許您會質疑，這麼多的Robot中，有沒有機構在管理呢？答案是沒有。但是有許多組織在整理這些資訊，您可以參考webcrawler網站的詳細資料。 參考範例： User-agent: * #表示不接受任何一個Robot造訪。 User-agent: WebCrawler #表示不接受WebCrawler這個Robot，其他的可以接受。 Disallow Disallow行表示你不希望Robot訪問的URL，每個URL必須單獨占一行，不能出現"Disallow: /cgi-bin/ /tmp/"這種情形。 參考範例： Disallow: /~joe/ #表示/~joe/目錄下不歡迎瀏覽。 Disallow: / #表示全部不歡迎。 實例分析 範例一：拒絕網路上所有的Robot造訪您的網站 User-agent: * #表示全部Robot。 Disallow: / #表示所有目錄及資料。 範例二：希望所有的Robot造訪您全部的資料 User-agent: * #表示全部Robot。 Disallow: #表示不設定任何資料。 範例三：拒絕網路上所有的Robot造訪根目錄下images,cgi-bin及members三目錄 User-agent: * #表示全部Robot。 Disallow: /images #表示/images下所有資料。 Disallow: /cgi-bin #表示/cgi-bin下所有資料。 Disallow: /members #表示/members下所有資料。 
|
平板模式
