网站 robots.txt 文件编写
网站 robots.txt 文件编写
Intro
robots.txt 是网站根目录下的一个纯文本文件，在这个文件中网站管理者可以声明该网站中不想被robots访问的部分，或者指定搜索引擎只收录指定的内容。
当一个搜索机器人（有的叫搜索蜘蛛或爬虫）访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt ，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；
如果该文件不存在，那么搜索机器人就沿着链接抓取。
robots.txt 必须放置在一个站点的根目录下，而且文件名必须全部小写。
Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。
robots.txt 语法
-
User-agent
一般情况下robot.txt文件会以User-agent:开头，该项的值用于描述搜索引擎机器人robot的名字。
例如User-agent:Baiduspider，就是针对百度蜘蛛进行的协议约束，robots.txt文件中至少要有一条User-agent记录。
如果该项的值设为*（通配符），则该协议对任何搜索引擎机器人均有效。
如果使用通配符，这样的记录只能有一条。User-agent:BaiduSpider User-agent:* -
Disallow
用来描述不希望被搜索机器人访问到网址。这个网址可以是完整的路径，也就是域名加上目录名或者文件名的格式，也可以是相对，也就是除去了域名，只有文件名或者目录名。
一个Disallow的对应一个文件或者目录，有多少个目录或者文件需要设置就写几个Disallow。
Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录
Disallow: /cgi-bin/*.htm 禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。
Disallow: /.jpg$ 禁止抓取网页所有的.jpg格式的图片
Disallow:/ab/adc.html 禁止爬取ab文件夹下面的adc.html文件
#禁止访问Admin目录下的文件 Disallow:/Admin/ #禁止某个搜索引擎爬虫的访问 User-agent: BadBot Disallow: / -
Allow
Allow: /cgi-bin/ 这里定义是允许爬寻cgi-bin目录下面的目录
Allow: /tmp 这里定义是允许爬寻tmp的整个目录
Allow: .htm$ 仅允许访问以".htm"为后缀的URL。
Allow: .gif$ 允许抓取网页和gif格式图片
-
Sitemap
Sitemap: 网站地图 告诉爬虫这个页面是网站地图
Sitemap: <http://www.example.com/sitemap.xml>Allow 和 Sitemap 为非标准语法，可能只有一些大型的搜索引擎会支持，为保证兼容性问题，推荐在 robots.txt 中只使用 User-agent ，Disallow
User-agent:后面为搜索机器人的名称，后面如果是*，则泛指所有的搜索机器人。Disallow:后面为不允许访问的文件目录。
使用示例：
#禁止所有机器人访问特定文件类型 User-agent: * Disallow: /*.php$ Disallow: /*.js$ Disallow: /*.inc$ Disallow: /*.css$ #拦截所有的机器人 User-agent: * Disallow: / #允许所有的机器人 User-agent: * Disallow:
More
其他的影响搜索引擎的行为的方法包括使用robots元数据
<meta name="robots" content="noindex,nofollow" />
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＜head＞＜/head＞中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。
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"＞
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：
<mata 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。
Reference
