2013年2月8日北京市第一中級人民法院正式受理了百度訴奇虎360違反“Robots協(xié)議”抓取、復(fù)制其網(wǎng)站內(nèi)容的不正當(dāng)競爭行為一案，索賠金額高達一億元，這可以看做2012年下半年“3B大戰(zhàn)”的繼續(xù)。在此次索賠案件中，百度稱自己的Robots文本中已設(shè)定不允許360爬蟲進入，而360的爬蟲依然對“百度知道”、“百度百科”等百度網(wǎng)站內(nèi)容進行抓取。
其實早在2012年11月初，針對雙方摩擦加劇的情況，在中國互聯(lián)網(wǎng)協(xié)會的牽頭下，包括百度、新浪、奇虎360在內(nèi)的12家互聯(lián)網(wǎng)公司已共同簽署了《互聯(lián)網(wǎng)搜索引擎服務(wù)自律公約》，在公約第七條承諾“遵循國際通行的行業(yè)慣例與商業(yè)規(guī)則，遵守機器人協(xié)議(robots協(xié)議)。
今天就找個機會聊聊一夜成名的robots協(xié)議。
初識robots協(xié)議
什么是robots
要了解robots協(xié)議首先要了解robots，本文說的robots不是《I，robot》里的威爾·史密斯，不是《機器人總動員》里的瓦力和伊娃，不是《終結(jié)者》系列中的施瓦辛格。什么?這些經(jīng)典電影你都不知道?好吧，算我想多了。本文的robots特指搜索引擎領(lǐng)域的web robots，這個名字可能很多人不熟悉，但是提到Web Wanderers，Crawlers和Spiders很多人可能就恍然大悟了，在中文里我們統(tǒng)稱為爬蟲或者網(wǎng)絡(luò)爬蟲，也就是搜索引擎抓取互聯(lián)網(wǎng)網(wǎng)頁的程序。
同學(xué)們都知道網(wǎng)頁是通過超級鏈接互相關(guān)聯(lián)起來的，從而形成了網(wǎng)頁的網(wǎng)狀結(jié)構(gòu)。爬蟲的工作方式就像蜘蛛在網(wǎng)上沿著鏈接爬來爬去，最基本的流程可以簡化如下：
1.喂給爬蟲一堆url，我們稱之為種子(seeds)
2.爬蟲抓取seeds，解析html網(wǎng)頁，抽取其中的超級鏈接
3.爬蟲接著抓取這些新發(fā)現(xiàn)的鏈接指向的網(wǎng)頁
2，3循環(huán)往復(fù)
什么是robots協(xié)議
了解了上面的流程就能看到對爬蟲來說網(wǎng)站非常被動，只有老老實實被抓取的份。存在這樣的需求：
1.某些路徑下是個人隱私或者網(wǎng)站管理使用，不想被搜索引擎抓取，比如說日本愛情動作片
2.不喜歡某個搜索引擎，不愿意被他抓取，最有名的就是之前淘寶不希望被百度抓取
3.小網(wǎng)站使用的是公用的虛擬主機，流量有限或者需要付費，希望搜索引擎抓的溫柔點
4.某些網(wǎng)頁是動態(tài)生成的，沒有直接的鏈接指向，但是希望內(nèi)容被搜索引擎抓取和索引
網(wǎng)站內(nèi)容的所有者是網(wǎng)站管理員，搜索引擎應(yīng)該尊重所有者的意愿，為了滿足以上等等，就需要提供一種網(wǎng)站和爬蟲進行溝通的途徑，給網(wǎng)站管理員表達自己意愿的機會。有需求就有供應(yīng)，robots協(xié)議就此誕生。Robots協(xié)議，學(xué)名叫：The Robots Exclusion Protocol，就搜索引擎抓取網(wǎng)站內(nèi)容的范圍作了約定，包括網(wǎng)站是否希望被搜索引擎抓取，哪些內(nèi)容不允許被抓取，把這些內(nèi)容放到一個純文本文件robots.txt里，然后放到站點的根目錄下。爬蟲抓取網(wǎng)站內(nèi)容前會先抓取robots.txt，據(jù)此“自覺地”抓取或者不抓取該網(wǎng)頁內(nèi)容，其目的是保護網(wǎng)站數(shù)據(jù)和敏感信息、確保用戶個人信息和隱私不被侵犯。
需要注意的是robots協(xié)議并非是規(guī)范，只是行業(yè)內(nèi)一個約定俗成的協(xié)議。什么意思呢?Robots協(xié)議不是什么技術(shù)壁壘，而只是一種互相尊重的協(xié)議，好比私家花園的門口掛著“閑人免進”，尊重者繞道而行，不尊重者依然可以推門而入，比如說360。
說了這么多，看幾個有名的例子感覺一下先：
例子1：淘寶
User-agent: Baiduspider
Disallow: /
User-agent: baiduspider
Disallow: /
程序猿，你懂的。這不就是淘寶不想讓百度抓取嘛
例子2：京東
User-agent: *
Disallow: /?*
Disallow: /pop/*.html
User-agent: EtaoSpider
Disallow: /
這個也不復(fù)雜，京東有2個目錄不希望所有搜索引擎來抓。同時，對etao完全屏蔽。
基本玩法
robots.txt的位置
說簡單也簡單，robots.txt放到一個站點的根目錄下即可。說復(fù)雜也有點小復(fù)雜，一個robots.txt只能控制相同協(xié)議，相同端口，相同站點的網(wǎng)頁抓取策略。什么意思呢?看個例子最清楚：
百度網(wǎng)頁搜索
百度知道
這兩個robots.txt的內(nèi)容是不同的，也就是說百度網(wǎng)頁搜索和百度知道的抓取策略可以由自己獨立的robots.txt來控制，井水不犯河水。
robots.txt的內(nèi)容
最簡單的robots.txt只有兩條規(guī)則：
1.User-agent：指定對哪些爬蟲生效
2.Disallow：指定要屏蔽的網(wǎng)址
整個文件分為x節(jié)，一節(jié)由y個User-agent行和z個Disallow行組成。一節(jié)就表示對User-agent行指定的y個爬蟲屏蔽z個網(wǎng)址。這里x>=0，y>0，z>0。x=0時即表示空文件，空文件等同于沒有robots.txt。
下面詳細(xì)介紹這兩條規(guī)則：
User-agent
爬蟲抓取時會聲明自己的身份，這就是User-agent，沒錯，就是http協(xié)議里的User-agent。robots.txt利用User-agent來區(qū)分各個引擎的爬蟲。
舉例說明：google網(wǎng)頁搜索爬蟲的User-agent為Googlebot，下面這行就指定google的爬蟲。
User-agent：Googlebot
如果想指定所有的爬蟲怎么辦?不可能窮舉啊，可以用下面這一行：
User-agent: *
可能有的同學(xué)要問了，我怎么知道爬蟲的User-agent是什么?這里提供了一個簡單的列表：爬蟲列表
當(dāng)然，你還可以查相關(guān)搜索引擎的資料得到官方的數(shù)據(jù)，比如說google爬蟲列表，百度爬蟲列表
Disallow
Disallow 行列出的是要攔截的網(wǎng)頁，以正斜線 (/) 開頭，可以列出特定的網(wǎng)址或模式。
要屏蔽整個網(wǎng)站，使用正斜線即可：
Disallow: /
要屏蔽某一目錄以及其中的所有內(nèi)容，在目錄名后添加正斜線：
Disallow: /無用目錄名/
要屏蔽某個具體的網(wǎng)頁，就指出這個網(wǎng)頁。
Disallow: /網(wǎng)頁.html
Disallow還可以使用前綴和通配符。
要屏蔽目錄a1-a100，可以使用上面的方式寫100行，或者
Disallow：/a
但是需要注意，這樣會把任何以a開頭的目錄和文件也屏蔽，慎用。如果需要屏蔽a1-a100，但是不屏蔽a50，怎么辦?同學(xué)們可以思考一下，這個問題我們留到下一節(jié)。
要阻止特定類型的文件(如 .gif)，請使用以下內(nèi)容：
Disallow: /*.gif$
*匹配任意個字符，$匹配url結(jié)束，具體就不解釋了吧，不了解的同學(xué)去自學(xué)一下通配符。
提示一下，Disallow的內(nèi)容區(qū)分大小寫。例如，Disallow: /junkfile.asp 會屏蔽 junkfile.asp，卻會允許Junk_file.asp。
最最后，通配符不是所有搜索引擎都支持，使用要小心。沒辦法，誰讓robots.txt沒有一個大家都承認(rèn)的標(biāo)準(zhǔn)呢。
實例 ###
百度網(wǎng)頁搜索
User-agent: Baiduspider
Disallow: /baidu
Disallow: /s?
User-agent: Googlebot
Disallow: /baidu
Disallow: /s?
Disallow: /shifen/
Disallow: /homepage/
Disallow: /cpro
User-agent: MSNBot
Disallow: /baidu
Disallow: /s?
Disallow: /shifen/
Disallow: /homepage/
Disallow: /cpro
...
現(xiàn)在讀懂這個應(yīng)該毫無壓力了吧，順便說一句百度的robots.txt比較啰嗦，有興趣的同學(xué)可以簡化一下。
高階玩法
首先聲明：高級玩法不是所有引擎的爬蟲都支持，一般來說，作為搜索引擎技術(shù)領(lǐng)導(dǎo)者的谷歌支持的最好。
例子：google robots.txt
allow
還記得上面的問題嗎?如果需要屏蔽a1-a100，但是不屏蔽a50，怎么辦?
方案1：
Disallow：/a1/
Disallow：/a2/
...
Disallow：/a49/
Disallow：/a51/
...
Disallow：/a100/
方案2：
Disallow：/a
Allow:/a50/
ok，allow大家會用了吧。
順便說一句，如果想屏蔽a50下面的文件private.html，咋整?
Disallow：/a
Allow:/a50/
Disallow：/a50/private.html
聰明的你一定能發(fā)現(xiàn)其中的規(guī)律，對吧?誰管的越細(xì)就聽誰的。
sitemap
前面說過爬蟲會通過網(wǎng)頁內(nèi)部的鏈接發(fā)現(xiàn)新的網(wǎng)頁。但是如果沒有連接指向的網(wǎng)頁怎么辦?或者用戶輸入條件生成的動態(tài)網(wǎng)頁怎么辦?能否讓網(wǎng)站管理員通知搜索引擎他們網(wǎng)站上有哪些可供抓取的網(wǎng)頁?這就是sitemap，最簡單的 Sitepmap 形式就是 XML 文件，在其中列出網(wǎng)站中的網(wǎng)址以及關(guān)于每個網(wǎng)址的其他數(shù)據(jù)(上次更新的時間、更改的頻率以及相對于網(wǎng)站上其他網(wǎng)址的重要程度等等)，利用這些信息搜索引擎可以更加智能地抓取網(wǎng)站內(nèi)容。
sitemap是另一個話題，足夠開一篇新的文章聊的，這里就不展開了，有興趣的同學(xué)可以參考sitemap
新的問題來了，爬蟲怎么知道這個網(wǎng)站有沒有提供sitemap文件，或者說網(wǎng)站管理員生成了sitemap，(可能是多個文件)，爬蟲怎么知道放在哪里呢?
由于robots.txt的位置是固定的，于是大家就想到了把sitemap的位置信息放在robots.txt里。這就成為robots.txt里的新成員了。
節(jié)選一段google robots.txt：
Sitemap:
Sitemap:
插一句，考慮到一個網(wǎng)站的網(wǎng)頁眾多，sitemap人工維護不太靠譜，google提供了工具可以自動生成sitemap。
meta tag
其實嚴(yán)格來說這部分內(nèi)容不屬于robots.txt，不過也算非常相關(guān)，我也不知道放哪里合適，暫且放到這里吧。
robots.txt的初衷是為了讓網(wǎng)站管理員管理可以出現(xiàn)在搜索引擎里的網(wǎng)站內(nèi)容。但是，即使使用 robots.txt 文件讓爬蟲無法抓取這些內(nèi)容，搜索引擎也可以通過其他方式找到這些網(wǎng)頁并將它添加到索引中。例如，其他網(wǎng)站仍可能鏈接到該網(wǎng)站。因此，網(wǎng)頁網(wǎng)址及其他公開的信息(如指向相關(guān)網(wǎng)站的鏈接中的定位文字或開放式目錄管理系統(tǒng)中的標(biāo)題)有可能會出現(xiàn)在引擎的搜索結(jié)果中。如果想徹底對搜索引擎隱身那咋整呢?答案是：元標(biāo)記，即meta tag。
比如要完全阻止一個網(wǎng)頁的內(nèi)容列在搜索引擎索引中(即使有其他網(wǎng)站鏈接到此網(wǎng)頁)，可使用 noindex 元標(biāo)記。只要搜索引擎查看該網(wǎng)頁，便會看到 noindex 元標(biāo)記并阻止該網(wǎng)頁顯示在索引中，這里注意noindex元標(biāo)記提供的是一種逐頁控制對網(wǎng)站的訪問的方式。
舉例：
要防止所有搜索引擎將網(wǎng)站中的網(wǎng)頁編入索引，在網(wǎng)頁的
部分添加：
這里的name取值可以設(shè)置為某個搜索引擎的User-agent從而指定屏蔽某一個搜索引擎。
除了noindex外，還有其他元標(biāo)記，比如說nofollow，禁止爬蟲從此頁面中跟蹤鏈接。詳細(xì)信息可以參考Google支持的元標(biāo)記，這里提一句：noindex和nofollow在HTML 4.01規(guī)范里有描述，但是其他tag的在不同引擎支持到什么程度各不相同，還請讀者自行查閱各個引擎的說明文檔。
Crawl-delay
除了控制哪些可以抓哪些不能抓之外，robots.txt還可以用來控制爬蟲抓取的速率。如何做到的呢?通過設(shè)置爬蟲在兩次抓取之間等待的秒數(shù)。
Crawl-delay:5
表示本次抓取后下一次抓取前需要等待5秒。
注意：google已經(jīng)不支持這種方式了，在webmaster tools里提供了一個功能可以更直觀的控制抓取速率。
這里插一句題外話，幾年前我記得曾經(jīng)有一段時間robots.txt還支持復(fù)雜的參數(shù):Visit-time，只有在visit-time指定的時間段里，爬蟲才可以訪問;Request-rate: 用來限制URL的讀取頻率，用于控制不同的時間段采用不同的抓取速率。后來估計支持的人太少，就漸漸的廢掉了，有興趣的同學(xué)可以自行g(shù)oogle。我了解到的是目前google和baidu都已經(jīng)不支持這個規(guī)則了，其他小的引擎公司貌似從來都沒有支持過。如果確有支持那是我孤陋寡聞了，歡迎留言告知。
真的有用?
好吧，到此為止robots.txt相關(guān)的東東介紹的也七七八八了，能堅持看到這里的同學(xué)估計都躍躍欲試了，可惜，我要潑盆冷水，能完全指望robots.txt保護我們網(wǎng)站的內(nèi)容嗎?不一定。否則百度和360就不用打官司了。
協(xié)議一致性
第一個問題是robots.txt沒有一個正式的標(biāo)準(zhǔn)，各個搜索引擎都在不斷的擴充robots.txt功能，這就導(dǎo)致每個引擎對robots.txt的支持程度各有不同，更不用說在某個功能上的具體實現(xiàn)的不同了。
緩存
第二個問題是robots.txt本身也是需要抓取的，出于效率考慮，一般爬蟲不會每次抓取網(wǎng)站網(wǎng)頁前都抓一下robots.txt，加上robots.txt更新不頻繁，內(nèi)容需要解析。通常爬蟲的做法是先抓取一次，解析后緩存下來，而且是相當(dāng)長的時間。假設(shè)網(wǎng)站管理員更新了robots.txt，修改了某些規(guī)則，但是對爬蟲來說并不會立刻生效，只有當(dāng)爬蟲下次抓取robots.txt之后才能看到最新的內(nèi)容。尷尬的是，爬蟲下次抓取robots.txt的時間并不是由網(wǎng)站管理員控制的。當(dāng)然，有些搜索引擎提供了web 工具可以讓網(wǎng)站管理員通知搜索引擎那個url發(fā)生了變化，建議重新抓取。注意，此處是建議，即使你通知了搜索引擎，搜索引擎何時抓取仍然是不確定的，只是比完全不通知要好點。至于好多少，那就看搜索引擎的良心和技術(shù)能力了。
ignore
第三個問題，不知是無意還是有意，反正有些爬蟲不太遵守或者完全忽略robots.txt，不排除開發(fā)人員能力的問題，比如說根本不知道robots.txt。另外，本身robots.txt不是一種強制措施，如果網(wǎng)站有數(shù)據(jù)需要保密，必需采取技術(shù)措施，比如說：用戶驗證，加密，ip攔截，訪問頻率控制等。
偷偷的抓
第四個問題，即使采用了種種限制，仍然存在某些惡意的抓取行為能突破這些限制，比如一些利用肉雞進行的抓取。悲觀的說，只要普通用戶可以訪問，就不能完全杜絕這種惡意抓取的行為。但是，可以通過種種手段使抓取的代價增大到讓對方無法接受。比如說：Captcha， Ajax用戶行為驅(qū)動的異步加載等等。這個就不屬于本文討論的范疇了。
泄密
最后，robots.txt本身還存在泄密的風(fēng)險。舉例，如果某一個網(wǎng)站的robots.txt里突然新增了一條：Disallow /map/，你想到了什么?是不是要推出地圖服務(wù)了?于是有好奇心的同學(xué)就會開始嘗試各種文件名去訪問該路徑下的文件，希望能看到驚喜。貌似當(dāng)初google的地圖就是這么被提前爆出來的，關(guān)于這點我不太確定，大家就當(dāng)八卦聽聽好了。
工具
google webmaster tools
robots.txt生成工具
Perl robots.txt解析器
Python robots.txt解析器
SEO專題推薦：
關(guān)鍵詞優(yōu)化專題：網(wǎng)站關(guān)鍵詞優(yōu)化沒效果?來這里學(xué)習(xí)最實用的關(guān)鍵詞優(yōu)化技巧!
內(nèi)鏈優(yōu)化專題：最能提升網(wǎng)站權(quán)重的內(nèi)鏈部署優(yōu)化技巧與方法
外鏈建設(shè)專題：高質(zhì)量自然外鏈怎么做?讀完這些你將質(zhì)的飛躍
網(wǎng)站降權(quán)專題：2015年最有用的網(wǎng)站降權(quán)、被K、被黑、被攻擊的解決方法
用戶體驗專題：學(xué)習(xí)完這些，作為站長的你可以秒懂如何做網(wǎng)站用戶體驗
行業(yè)網(wǎng)站專題：優(yōu)化行業(yè)網(wǎng)站的“葵花寶典”看完后無優(yōu)化壓力
申請創(chuàng)業(yè)報道，分享創(chuàng)業(yè)好點子。點擊此處，共同探討創(chuàng)業(yè)新機遇！
