反搜索引擎

最近同事在做搜索引擎，一时兴起，搞了一个反搜索，主要参考这个：

限制Robot访问Web站点的方法

  

 
Robot是帮助搜索引擎搜集网页的一种自动化程序，它在访问一个Web站点时，会跟随网页中的链接提取出站点上的大部分内容，并为这些网页建立索引，放在搜索引擎的数据库中。在一些情况下，Web管理员或网页的作者出于某种原因的考虑可能并不想让Robot提取站点上的某些内容，此时可以使用一些方法来限制Robot的访问范围。

　　限制Robot访问Web站点的方法共有两种，一种是由站点的Web管理员使用的Robot限制协议，目前绝大部分Robot都遵守该协议，另一种是由网页作者使用的Robot META标记，目前只有一小部分Robot支持该标记。

　　Robot限制协议

　　Robot限制协议的关键是在Web站点的根目录下放置一个文本文件Robot.txt。Robot在访问一个站点时会首先去读取该文件，分析其中的内容，并按照Web管理员的规定不去访问某些文件。下面是Robot.txt的一个例子：

　　＃ http://www.yoursite.com/robots.txt

　　User－agent: 

　　Disallow: /tmp/ ＃ these files will soon be deleted

　　Disallow: /test.html

　　User－agent: InfoSeek Robot 1.0

　　 Disallow: /

　　其中"＃"后面的内容是注释，User－agent命令用于指定它下面的Disallow命令对何种Robot有效，""表示对所有Robot都有效，上面例子中第二个User－agent命令表示其下面的Disallow命令只对Infoseek的1.0版Robot有效。Disallow命令用于指定哪些目录或文件不能被访问，如果指定了"/"，那么所有文件都不允许访问，Disallow命令在一行中只能放一个目录或一个文件，如果有多个目录，则必须分别放在几行中。

　　上面的Robot.txt文件是目前还在使用的早期Robot限制协议规定的内容，现在还有一个关于如何限制Robot的Internet草案正在制定之中，它对早期Robot限制协议进行了很多扩充，但还未进入实用阶段。

　　Robot META标记

　　绝大多数情况下，网页作者并非Web管理员，如果网页作者不想让Robot访问自己编写的一些HTML文件，那么可以请Web管理员帮忙在Robot.txt中注明，或者使用Robot META标记。

　　META标记是HTML文件中用来放置一些不可见信息的一种标记，它必须放在HTML文件的Head部分中。Robot META标记是一种特殊的META标记，下面是它的几个例子：

　　〈meta name=″robots″ content=″index,follow″〉

　　〈meta name=″robots″ content=″noindex,follow″〉

　　〈meta name=″robots″ content=″index,nofollow″〉

　　〈meta name=″robots″ content=″noindex,nofollow″〉

　　Robot META标记的name部分为"robots"，content部分可以是"index"、"noindex"、"follow"和"nofollow"的组合。"index"表示搜索引擎可以为该HTML文件建立索引，"follow"表示搜索引擎可以使用该HTML文件中的链接来访问其它文件，"noindex"和"nofollow"与"index"和"follow"的意义正好相反。在组合使用这几个命令时，不能出现逻辑矛盾，即不能同时指定"index"、"noindex"，或"follow"、"nofollow"。另外，如果要指定"index，follow"，可以使用"all"来代替，如果要指定"noindex"、"nofollow"，可以使用"none"来代替。

　　使用Robot META标记的缺点是比较麻烦，对每一个HTML文件都要进行修改，另外，很多Robot并不支持该标记。