實戰設計robots.txt與標籤

搜尋引擎的網路蜘蛛看似無孔不入，但它其實也是知所進退，有它的運作禮貌。設定適當的robots.txt與，對於網站和搜尋引擎溝通相當大的幫助

網路蜘蛛並非不分青紅皂白一網打盡，只要適當規劃robots.txt與＜META＞標籤，企業網站就能安心與搜尋引擎和解共生。 搜尋引擎的網路蜘蛛看似無孔不入，但它其實也是知所進退，有它的運作禮貌。當網路蜘蛛到達網站的第一個動作，便是找尋並讀取robots.txt檔，並依 照網站設定的限制再向下搜尋內容。讀取網頁時，位於網頁＜HEAD＞＜/HEAD＞之間的＜META＞標籤如果設有robot屬性，它也會依照指示來行 動。因此，設定適當的robots.txt與＜META＞，對於網站和搜尋引擎溝通相當大的幫助。 建立告知禁止存取範圍的robots.txt 和網路蜘蛛溝通的辨法，是建立一個名為robots.txt的文字檔，內容陳述哪些目錄、檔案不希望被存取，再將這個檔案放置到網頁伺服器上。 robots.txt的內容由兩個部份組成，分別是user-agent與disallow。前者定義這個網站規則對哪些網路蜘蛛程式發揮作用，後者則是定義哪些目錄或檔案不想被搜尋。限制所有網路蜘蛛存取，並含及所有內容的robots.txt的寫法如下： robots.txt撰寫範例１ # 全部限制存取的robots.txt user-agent: * disallow: / 第1行是註解欄，用#字符號標示，可以讓管理者加註。第2行則用*號表示對所有搜尋引擎的網路蜘蛛通用，第3行則告知程式「”/”」代表的根目錄以下的內容都不允許有存取動作，換言之，搜尋引擎便會忽略整個網站。 不過這種「大隱於市」的做法，通常不是企業所需，畢竟建置網站的目的是在與廣大的網路接用者增加接觸機會，禁絕所有網站內容和網路蜘蛛擷取，形同關上大門拒絕往來。就企業而言，設定目錄與資料類型管控，才能達到最佳效益。 robots.txt撰寫範例2 user-agent: * disallow: /cig-bin disallow:/members/data disallow:/*.pdf$ 在範例2中，第1行宣告下面的規則適用於所有網路蜘蛛，而第2行則是禁止存取cgi-bin目錄中的資訊，第3行告知members目錄底下的data目 錄不希望被擷取，但members目錄底下如有其他目錄存在則不受影響。第4行宣告所有PDF格式的檔案禁止擷取，必須注意的是附檔名後面要加上「$」符 號。如此就可以避免資料遭不當下載，被搜尋引擎作頁面庫存而被公開。禁止檔案格式的方式也可以限定在特定的目錄，以增加使用上的彈性。 另外，user-agent也可以針對個別的搜尋引擎作限定，舉例來說，可以用「user-agent:Googlebot」來阻絕Google的網路蜘蛛。 robots.txt撰寫範例3 user-agent: Googlebot-image disallow:/*.jpg$ user-agent: * disallow: /cig-bin disallow:/members/data disallow:/*.pdf$ 範例3中，第1行是Google搜尋圖片的網路蜘蛛名稱，和第2行結合的結果是禁止Google搜尋圖片去抓取網站中所有jpg格式的圖片，而第3行以下則是套用範例2的限制，讓其他搜尋引擎不能存取cgi-bin、member/data和PDF格式的檔案。 robots.txt彈性而簡單的設定，讓網站管理者在內容控管上增加許多自主性，也避免了被搜尋引擎庫存網站敏感資訊的風險。不過如果有需要針對個別頁面做設定的需求，利用HTML的＜META＞語法，會比robots.txt要來得適用。 使用＜META＞標記宣告禁止索引與連結 除了可以使用robots.txt的方式來調整之外，另一種方式是以HTML的＜META＞標記語法做設定，告知網路蜘蛛不要產生網頁的索引及庫存。 ＜META＞語法範例一 ＜HTML＞ ＜HEAD＞ ＜META NAME="robots" CONTENT="noindex,nofollow"＞ ＜TITLE＞...＜/TITLE＞ ＜/HEAD＞ ＜BODY＞... 將上述＜META＞起始的語法放置在網頁＜HEAD＞ 區段中，這個頁面就不會搜尋到，NAME的部份使用「robots」即可阻擋所有的網路蜘蛛，也可以指定特定名稱，例如Googlebot或 Yahoo!Slurp，就可阻擋特定網站蜘蛛。CONTENT可指定noindex、nofollow等兩個屬性，noindex意指不可對本頁進行索 引動作，nofollow指的是否可使用本頁的超連結再延伸出去擷取搜尋。 另外，Google提供更細項的調整設定，可以移除片段內容和快取網頁，片段內容是指出現在Google搜尋結果的網頁標題下的文字摘錄，通常描述網頁的內容。如要移除這段文字，則可以利用下方語法移除： ＜META＞語法範例二 ＜META NAME="Googlebot" CONTENT="nosnippet"＞ 必須注意的是，移除片段內容同時也會移除快取的網頁。至於移除快取的網頁則是讓Google不會顯示快取的連結： ＜META＞語法範例三 ＜META NAME="Googlebot" CONTENT="noarchive"＞ 若也想讓其他的搜尋引擎找不到，則將name指定的部份改成robots即可。而這個部份只能移除網頁快取的連結，但不會影響索引及片段內容。只要善加利用robots.txt與＜META＞語法，就可讓網站資訊安全更加穩固。