快生活 - 生活常识大全

文件写法及文件用法

⇨⇦
　　Robots协议用来告知搜索引擎哪些页面能被抓取，哪些页面不能被抓取；可以屏蔽一些网站中比较大的文件，如：图片，音乐，视频等，节省服务器带宽；可以屏蔽站点的一些死链接。方便搜索引擎抓取网站内容；设置网站地图连接，方便引导蜘蛛爬取页面。下面是Robots文件写法及文件用法。
　　一、文件写法
　　User-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符
　　Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录
　　Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录
　　Disallow: /ABC/ 这里定义是禁止爬寻ABC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: /*?* 禁止访问网站中所有包含问号 (?) 的网址
　　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。
　　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: 网站地图 告诉爬虫这个页面是网站地图
　　二、文件用法
　　例1. 禁止所有搜索引擎访问网站的任何部分
　　User-agent: *
　　Disallow: /
　　实例分析：淘宝网的 Robots.txt文件
　　User-agent: Baiduspider
　　Disallow: /
　　User-agent: baiduspider
　　Disallow: /
　　很显然淘宝不允许百度的机器人访问其网站下其所有的目录。
　　例2. 允许所有的robot访问 (或者也可以建一个空文件 ＂/robots.txt＂ file)
　　User-agent: *
　　Allow: /
　　例3. 禁止某个搜索引擎的访问
　　User-agent: BadBot
　　Disallow: /
　　例4. 允许某个搜索引擎的访问
　　User-agent: Baiduspider
　　allow:/
　　例5.一个简单例子
　　在这个例子中，该网站有三个目录对搜索引擎的访问做了限制，即搜索引擎不会访问这三个目录。
　　需要注意的是对每一个目录必须分开声明，而不要写成 ＂Disallow: /cgi-bin/ /tmp/＂。
　　User-agent:后的*具有特殊的含义，代表＂any robot＂，所以在该文件中不能有＂Disallow: /tmp/*＂ or ＂Disallow:*.gif＂这样的记录出现。
　　User-agent: *
　　Disallow: /cgi-bin/
　　Disallow: /tmp/
　　Disallow: /~joe/
　　Robots特殊参数：
　　允许 Googlebot：
　　如果您要拦截除Googlebot以外的所有漫游器不能访问您的网页，可以使用下列语法：
　　User-agent:
　　Disallow: /
　　User-agent: Googlebot
　　Disallow:
　　Googlebot 跟随指向它自己的行，而不是指向所有漫游器的行。
　　＂Allow＂扩展名：
　　Googlebot 可识别称为＂Allow＂的 robots.txt 标准扩展名。其他搜索引擎的漫游器可能无法识别此扩展名，因此请使用您感兴趣的其他搜索引擎进行查找。＂Allow＂行的作用原理完全与＂Disallow＂行一样。只需列出您要允许的目录或页面即可。
　　您也可以同时使用＂Disallow＂和＂Allow＂。例如，要拦截子目录中某个页面之外的其他所有页面，可以使用下列条目：
　　User-agent: Googlebot
　　Allow: /folder1/myfile.html
　　Disallow: /folder1/
　　这些条目将拦截 folder1 目录内除 myfile.html 之外的所有页面。
　　如果您要拦截 Googlebot 并允许 Google 的另一个漫游器（如 Googlebot-Mobile），可使用＂Allow＂规则允许该漫游器的访问。例如：
　　User-agent: Googlebot
　　Disallow: /
　　User-agent: Googlebot-Mobile
　　Allow:
　　使用 * 号匹配字符序列：
　　您可使用星号 (*) 来匹配字符序列。例如，要拦截对所有以 private 开头的子目录的访问，可使用下列条目： User-Agent: Googlebot
　　Disallow: /private*/
　　要拦截对所有包含问号 (?) 的网址的访问，可使用下列条目：
　　User-agent: *
　　Disallow: /*?*
　　使用 $ 匹配网址的结束字符
　　您可使用 $字符指定与网址的结束字符进行匹配。例如，要拦截以 .asp 结尾的网址，可使用下列条目： User-agent: Googlebot
　　Disallow: /*.asp$
　　您可将此模式匹配与 Allow 指令配合使用。例如，如果 ? 表示一个会话 ID，您可排除所有包含该 ID 的网址，确保 Googlebot 不会抓取重复的网页。但是，以 ? 结尾的网址可能是您要包含的网页版本。在此情况下，可对 robots.txt 文件进行如下设置：
　　User-agent: *
　　Allow: /*?$
　　Disallow: /*?
　　Disallow: / *?
　　一行将拦截包含 ? 的网址（具体而言，它将拦截所有以您的域名开头、后接任意字符串，然后是问号 (?)，而后又是任意字符串的网址）。
　　Allow: /*?$ 一行将允许包含任何以 ? 结尾的网址（具体而言，它将允许包含所有以您的域名开头、后接任意字符串，然后是问号 (?)，问号之后没有任何字符的网址）。
　　三、Robots协议举例
　　禁止所有机器人访问
　　User-agent: *
　　Disallow: /
　　允许所有机器人访问
　　User-agent: *
　　Disallow: /
　　禁止特定机器人访问
　　User-agent: BadBot
　　Disallow: /
　　允许特定机器人访问
　　User-agent: GoodBot
　　Disallow:
　　禁止访问特定目录
　　User-agent: *
　　Disallow: /images/
　　仅允许访问特定目录
　　User-agent: *
　　Allow: /images/
　　Disallow: /
　　禁止访问特定文件
　　User-agent: *
　　Disallow: /*.html$
　　仅允许访问特定文件
　　User-agent: *
　　Allow: /*.html$
　　Disallow: /
　　尽管robots.txt已经存在很多年了，但是各大搜索引擎对它的解读都有细微差别。Google与百度都分别在自己的站长工具中提供了robots工具。如果您编写了robots.txt文件，建议您在这两个工具中都进行测试，因为这两者的解析实现确实有细微差别。文/萌新seo
网站目录投稿：妙芙