2017-05-31 閱讀數:4663
我們先來了解一下什么是robots.txt？
搜索引擎使用spider程序自動訪問互聯網上的網頁并獲取網頁信息。spider在訪問一個網站時，會首先會檢查該網站的根域下是否有一個叫做robots.txt的純文本文件。您可以在您的網站中創建一個純文本文件robots.txt，在文件中聲明該網站中不想被robot訪問的部分或者指定搜索引擎只收錄特定的部分。
請注意，僅當您的網站包含不希望被搜索引擎收錄的內容時，才需要使用robots.txt文件。如果您希望搜索引擎收錄網站上所有內容，請勿建立robots.txt文件或者創建一個內容為空的robots.txt文件。
robots.txt 放置位置
robots.txt文件應該放置在網站根目錄下。舉例來說，當spider訪問一個網站(比如http://www.ubangmang.com)時，首先會檢查該網站中是否存在http://www.ubangmang.com/robots.txt這個文件，如果 Spider找到這個文件，它就會根據這個文件的內容，來確定它訪問權限的范圍。
robots.txt 格式
文件包含一條或更多的記錄，這些記錄通過空行分開(以CR,CR/NL, or NL作為結束符)，每一條記錄的格式如下所示：”:”。在該文件中可以使用#進行注解。該文件中的記錄通常以一行或多行User-agent開始，后面加上若干Disallow和Allow行,詳細情況如下。
User-agent:
該項的值用于描述搜索引擎robot的名字。在”robots.txt”文件中，如果有多條User-agent記錄說明有多個robot會受到”robots.txt”的限制，對該文件來說，至少要有一條User-agent記錄。 如果該項的值設為*，則對任何robot均有效，在”robots.txt”文件中，”User-agent:*”這樣的記錄只能有一條。如果在”robots.txt”文件中，加入”User- agent:SomeBot”和若干Disallow、Allow行，那么名為”SomeBot”只受到”User-agent:SomeBot”后面的 Disallow和Allow行的限制。 Disallow: 該項的值用于描述不希望被訪問的一組URL，這個值可以是一條完整的路徑，也可以是路徑的非空前綴，以Disallow項的值開頭的URL不會被robot訪問。例 如”Disallow: /help”禁止robot訪問/help*.html、/help/index.html， 而”Disallow: /help/”則允許robot訪問/help*.html，不能訪問/help/index.html。
"Disallow:"說明允許robot訪問該網站的所有url，在”/robots.txt”文件中，至少要有一條Disallow記錄。如果”/robots.txt”不存在或者為空文件，則對于所有的搜索引擎robot，該網站都是開放的。
Allow:
該項的值用于描述希望被訪問的一組URL，與Disallow項相似，這個值可以是一條完整的路徑，也可以是路徑的前綴，以Allow項的值開頭的URL是允許robot訪問的。例如”Allow:/hibaidu”允許robot訪問/hibaidu.htm、/hibaiducom.html、 /hibaidu/com.html。一個網站的所有URL默認是Allow的，所以Allow通常與Disallow搭配使用，實現允許訪問一部分網頁同時禁止訪問其它所有URL的功能。
需要特別注意的是Disallow與Allow行的順序是有意義的，robot會根據第一個匹配成功的 Allow或Disallow行確定是否訪問某個URL。
使用”*”和”$”： Baiduspider 支持使用通配符”*”和”$”來模糊匹配url。 “$” 匹配行結束符。 “*” 匹配0或多個任意字符。
robots內容生成工具： http://tool.chinaz.com/robots/
