一、robots.txt和百度
　　
　　1.   为什么我的网站已经加了robots.txt，还能在百度搜索出来？
　　
　　因为搜索引擎索引数据库的更新需要时间。虽然baiduspider已经停止访问您网站上的网页，但Baidu搜索引擎数据库中已经建立的网页索引信息，可能需要2到4周才会清除。
　　
　　2.   baiduspider多长时间之后会重新抓取我的网页？
　　
　　Baidu搜索引擎平均两周更新一次，网页视重要性有不同的更新率，少则几天，多则1月，baiduspider会重新访问和更新一个网页。
　　
　　3.   baidu蜘蛛在robots.txt中的名字是什么？
　　
　　baiduspider，全部为小写字母。完全禁止baiduspider访问的robots文件内容为：
　　
　　User-agent:   baiduspider
　　Disallow:   / 
　　
　　
　　二、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,   or   NL作为结束符），每一条记录的格式如下所示： 
　　　　　　“<field>:<optionalspace><value><optionalspace>“。 
　　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.html   和/help/index.html都不允许搜索引擎访问，而“Disallow:   /help/“则允许robot访问/help.html，而不能访问/help/index.html。 
　　
　　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。

 
　　三、下面是一些robots.txt基本的用法：
 
　　1、禁止所有搜索引擎访问网站的任何部分： 
　　User-agent:   * 
　　Disallow:   / 

　　2、允许所有的robot访问 
　　User-agent:   * 
　　Disallow: 
　　或者也可以建一个空文件   “/robots.txt“   file 

　　3、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/ 

　　4、禁止某个搜索引擎的访问（下例中的BadBot） 
　　User-agent:   BadBot 
　　Disallow:   / 

　　5、只允许某个搜索引擎的访问（下例中的WebCrawler） 
　　User-agent:   WebCrawler 
　　Disallow: 
　　
　　User-agent:   * 
　　Disallow:   / 

　　四、常见搜索引擎机器人Robots名字 
　　
　　名称   搜索引擎 
　　Baiduspider   http://www.baidu.com 
　　Scooter   http://www.altavista.com 
　　ia_archiver   http://www.alexa.com 
　　Googlebot   http://www.google.com 
　　FAST-WebCrawler   http://www.alltheweb.com 
　　Slurp   http://www.inktomi.com 
　　MSNBOT   http://search.msn.com 
　　
　　五、robots.txt举例 

　　下面是一些著名站点的robots.txt： 
　　http://www.cnn.com/robots.txt 
　　http://www.google.com   /robots.txt 
　　http://www.ibm.com/robots.txt 
　　http://www.sun.com/robots.txt 
　　http://www.eachnet.com/robots.txt 

　　六、常见robots.txt错误 

　　1、颠倒了顺序： 
　　错误写成 
　　User-agent:   * 
　　Disallow:   GoogleBot 
　　
　　正确的应该是： 
　　User-agent:   GoogleBot 
　　Disallow:   * 
　　l   把多个禁止命令放在一行中： 
　　例如，错误地写成 
　　Disallow:   /css/   /cgi-bin/   /images/ 
　　
　　正确的应该是 
　　Disallow:   /css/ 
　　Disallow:   /cgi-bin/ 
　　Disallow:   /images/ 

　　2、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。 

　　3、404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。 

　　4、采用大写。例如 
　　USER-AGENT:   EXCITE 
　　DISALLOW: 
　　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:GoogleBot 
　　disallow:
 
　　5、语法中只有Disallow，没有Allow！ 
　　错误的写法是： 
　　User-agent:   Baiduspider 
　　Disallow:   /john/ 
　　allow:   /jane/ 

　　6、忘记了斜杠/ 
　　错误的写做： 
　　User-agent:   Baiduspider 
　　Disallow:   css 
　　
　　正确的应该是 
　　User-agent:   Baiduspider 
　　Disallow:   /css/ 
　　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 

　　七、Robots  META标签
 
　　1、什么是Robots   META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Robots   META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，Robots   META标签也是放在页面的中，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）： 
　　 
　　<title>无忧广告网--网站建设专家</title> 
　　<meta   name=“Robots“   content=“index,follow“> 
　　<meta   http-equiv=“Content-Type“   CONTENT=“text/html;   charset=gb2312“> 
　　<meta   name=“keywords“   content=“网站建设…   “> 
　　<meta   name=“description“   content=“无忧广告网是…“> 
　　<link   rel=“stylesheet“   href=“/public/css.css“   type=“text/css“> 
 
　　… 
　　 
　　2、Robots META标签的写法：
 
　　Robots   META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=”BaiduSpider”。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； 
　　Robots   Meta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： 
　　<META   NAME=“ROBOTS“   CONTENT=“INDEX,FOLLOW“> 
　　<META   NAME=“ROBOTS“   CONTENT=“NOINDEX,FOLLOW“> 
　　<META   NAME=“ROBOTS“   CONTENT=“INDEX,NOFOLLOW“> 
　　<META   NAME=“ROBOTS“   CONTENT=“NOINDEX,NOFOLLOW“> 
　　其中 
　　<META   NAME=“ROBOTS“   CONTENT=“INDEX,FOLLOW“>可以写成 
　　<META   NAME=“ROBOTS“   CONTENT=“ALL“>； 
　　<META   NAME=“ROBOTS“   CONTENT=“NOINDEX,NOFOLLOW“>可以写成 
　　<META   NAME=“ROBOTS“   CONTENT=“NONE“> 

　　需要注意的是：上述的robots.txt和Robots   META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Robots   META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： 
　　<META   NAME=“googlebot“   CONTENT=“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。