• 河南网站建设-郑州网站建设-上海网站建设-SEO优化-网络营销-经典美文

  • 专注网站建设 服务热线: 13061801310

当前位置:东东网 > 近期动态 > 东东观点 > 正文

怎样写robots文件_robots文件写法技巧_robot.txt的例子

发布时间:2016-12-30 | 发布者: 东东工作室 | 浏览次数:

资料一


  1.robots.txt文件是什么


  robots.txt是一个纯文本文件,是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。每个站点最好建立一个robots.txt文件,对seo更友好。每当搜索蜘蛛来寻找并不存在的robots.txt文件时,服务器将在日志中记实一条404错误,所以你应该在网站中添加一个robots.txt(即使这个robots.txt文件只是一个空文件)。


  2.robots.txt的写法(语法)


  1)User-agent: 该项的值用于描述搜索引擎蜘蛛的名字。假如该项的值设为*,则该协议对任何机器人均有效。


  2)Disallow: 该项的值用于描述不但愿被访问到的一个URL,一个目录或者整个网站。以Disallow 开头的URL 均不会被搜索引擎蜘蛛访问到。任何一条Disallow 记实为空,说明该网站的所有部门都答应被访问。


  3)用法举例:


  网站目录下所有文件均能被所有搜索引擎蜘蛛访问


  User-agent: *


  Disallow:


  禁止所有搜索引擎蜘蛛访问网站的任何部门


  User-agent: *


  Disallow: /


  禁止所有的搜索引擎蜘蛛访问网站的几个目录


  User-agent: *


  Disallow: /a/


  Disallow: /b/


  禁止搜索引擎蜘蛛访问目录a和目录b


  只答应某个搜索引擎蜘蛛访问


  User-agent: Googlebot


  Disallow:


  您应该限制网站某些文件不被蜘蛛抓取。


  一般网站中不需要蜘蛛抓取的文件有:后台治理文件、程序脚本、附件、数据库文件、编码文件、样式表文件、模板文件、导航图片和背景图片等等。


  3.robots.txt文件带来的风险以及解决


  robots.txt 同时也带来了一定的风险:其也给攻击者指明了网站的目录结构和私密数据所在的位置。设置访问权限,对您的隐私内容实施密码保护,这样,攻击者便无从进入。


  4.常见搜索引擎蜘蛛Robots名字


  Baiduspider :http://www.baidu.com


  Scooter :http://www.altavista.com


  ia_archiver: http://www.alexa.com


  Googlebot :http://www.google.com


  Inktomi Slurp :http://www.yahoo.com


  FAST-WebCrawler: http://www.alltheweb.com


  Slurp :http://www.inktomi.com


  MSNBOT :http://search.msn.com


  5.留意事项:


  1)robots.txt必需放置在站点的根目录下,而且文件名必需全部小写。


  2)不要在robots.txt文件中设置所有的文件都可以被搜索蜘蛛抓取。


  3)为安全考虑,建议很重要的文件夹不要写在robots.txt文件中,或你只建一个空缺robots.txt文件,在不要访问的目录中加入其它的技术(目前还在探索中……)。


  seo会聚网robot.txt文件实例:www.seohj.com/robots.txt。


  我们也可以通过Robots META标签来针对一个个详细的页面。关于Robots META标签的具体先容在Robots META标签用法。


  1.语法:


  <meta name="robots"content="搜索方式">


  2.说明:


  在该语法中,搜索方式的值和其对应的含义如下:


  all:页面将被检索,且页面上的链接可以被查询;


  none:页面不能被检索,且页面上的链接不可以被查询;


  index:页面将被检索,但不设置链接是否可以被查询;


  follow:页面上的链接可以被查询;


  noindex:页面不能被检索,但页面上的链接可以被查询;


  nofollow:页面能被检索,但页面上的链接却不可以被查询。


  3.实例:


  该实例设定网页能被检索,但页面上的链接却不可以被查询,代码如下:


  <html>


  <head>


  <title>限制搜索方式</title>


  <meta name="robots"content="index">


  </head>


  <body></body>


  </html>


  资料二


  一.什么是robots.txt文件?


  搜索引擎通过一种程序robot(又称spider),自动访问互联网上的网页并获取网页信息。


  您可以在您的网站中创建一个纯文本文件robots.txt,在这个文件中声明该网站中不想被robot访问的部门,这样,该网站的部门或全部内容就可以不被搜索引擎收录了,或者指定搜索引擎只收录指定的内容。


  二. robots.txt文件放在哪里?


  robots.txt文件应该放在网站根目录下。举例来说,当robots访问一个网站(好比http://www.abc.com)时,首先会检查该网站中是否存在http://www.abc.com/robots.txt这个文件,假如机器人找到这个文件,它就会根据这个文件的内容,来确定它访问权限的范围。


  网站 URL 相应的 robots.txt的 URL


  http://www.w3.org/ http://www.w3.org/robots.txt


  http://www.w3.org:80/ http://www.w3.org:80/robots.txt


  http://www.w3.org:1234/ http://www.w3.org:1234/robots.txt


  http://w3.org/??http://w3.org/robots.txt


  三. robots.txt文件的格局


  "robots.txt"文件包含一条或更多的记实,这些记实通过空行分开(以CR,CR/NL, or NL作为结束符),每一条记实的格局如下所示:


  "<field>:<optionalspace><value><optionalspace>"。


  在该文件中可以使用#进行注解,详细使用方法和UNIX中的惯例一样。该文件中的记实通常以一行或多行User-agent开始,后面加上若干Disallow行,具体情况如下:


  User-agent:


  该项的值用于描述搜索引擎robot的名字,在"robots.txt"文件中,假如有多条User-agent记实说明有多个robot会受到该协议的限制,对该文件来说,至少要有一条User-agent记实。假如该项的值设为*,则该协议对任何机器人均有效,在"robots.txt"文件中,"User-agent:*"这样的记实只能有一条。


  Disallow :


  该项的值用于描述不但愿被访问到的一个URL,这个URL可以是一条完整的路径,也可以是部门的,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都不答应搜索引擎访问,而"Disallow: /help/"则答应robot访问/help.html,而不能访问/help/index.html。


  任何一条Disallow记实为空,说明该网站的所有部门都答应被访问,在"/robots.txt"文件中,至少要有一条Disallow记实。假如"/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。


  四. robots.txt文件用法举例


  例1. 禁止所有搜索引擎访问网站的任何部门


  下载该robots.txt文件


  User-agent: *


  Disallow: /


  例2. 答应所有的robot访问


  (或者也可以建一个空文件 "/robots.txt" file)


  ??


  User-agent: *


  Disallow:


  例3. 禁止某个搜索引擎的访问


  User-agent: BadBot


  Disallow: /


  例4. 答应某个搜索引擎的访问


  User-agent: baiduspider


  Disallow:


  User-agent: *


  Disallow: /


  例5. 一个简朴例子


  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。


  需要留意的是对每一个目录必需分开声明,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"这样的记实泛起.


  User-agent: *


  Disallow: /cgi-bin/


  Disallow: /tmp/


  Disallow: /~joe/


  五. robots.txt文件参考资料


  robots.txt文件的更详细设置,请参看以下链接:


  · Web Server Administrator''s Guide to the Robots Exclusion Protocol


  · HTML Author''s Guide to the Robots Exclusion Protocol


  · The original 1994 protocol description, as currently deployed


  · The revised Internet-Draft specification, which is not yet completed or implemented


  在你的主页中为Web Robot设计路标


  Internet越来越酷,WWW的着名度如日中天。在Internet上发布公司信息、进行电子商务已经从时髦演化成时尚。作为一个Web Master,你可能对HTML、java script、Java、 ActiveX了如指掌,但你是否知道什么是Web Robot?你是否知道Web Robot和你所设 计的主页有什么关系?


  Internet上的飘流汉--- Web Robot


  有时你会莫名其妙地发现你的主页的内容在一个搜索引擎中被索引,即使你从未与他 们有过任何联系。实在这恰是Web Robot的功劳。Web Robot实在是一些程序,它可以 穿越大量Internet网址的超文本结构,递归地检索网络站点所有的内容。这些程序有时被叫 “蜘蛛(Spider)” , “网上飘流汉(Web Wanderer)”,“网络蠕虫(web worms)”或Web crawler。一些Internet网上着名的搜索引擎站点(Search Engines)都有专门的Web Robot程序来完成信息的采集,例如Lycos,Webcrawler,Altavista等,以及中文搜索引擎站点例如北极星,网易,GOYOYO等。


  Web Robot就象一个不速之客,无论你是否在意,它都会忠于自己主人的职责,任劳任怨、不知倦怠地奔波于万维网的空间,当然也会光临你的主页,检索主页内容并天生它所需要的记实格局。或许有的主页内容你乐于众人皆知,但有的内容你却不愿被洞察、索引。岂非你就只能任其“横行”于自己主页空间,能否指挥和控制Web Robot的行踪呢?谜底当然是肯定的。只要你阅读了本篇的下文,就可以象一个交通 警察一样,布置下一个个路标,告诉Web Robot应该怎么去检索你的主页,哪些可以检索,哪些不可以访问。


  实在Web Robot能听懂你的话


  不要认为Web Robot是毫无组织,毫无管束地乱跑。很多Web Robot软件给网络站点的 治理员或网页内容制作者提供了两种方法来限制Web Robot的行踪:


  1、Robots Exclusion Protocol 协议


  网络站点的治理员可以在站点上建立一个专门格局的文件,来指出站点上的哪一部门 可以被robot访问, 这个文件放在站点的根目录下,即robots.txt." target="_blank">http://.../robots.txt.


  2、Robots META tag


  一个网页作者可以使用专门的HTML META tag ,来指出某一个网页是否可以被索 引、分析或链接。


  这些方法适合于大多数的Web Robot,至于是否在软件中实施了这些方法,还依靠于 Robot的开发者,并非可以保证对任何Robot都灵验。假如你迫切需要保护自己内容,则应考虑采用诸如增加密码等其他保护方法。


  使用Robots Exclusion Protocol协议


  当Robot访问一个 Web 站点时,好比http://www.sti.net.cn/,它先去检查文件robots.txt" target="_blank">http://www.sti.net.cn/robots.txt。假如这个文件存在,它便会按照这样的记实格局去分析:


  User-agent: *


  Disallow: /cgi-bin/


  Disallow: /tmp/


  Disallow: /~joe/


  以确定它是否应该检索站点的文件。这些记实是专门给Web Robot看的,一般的浏览者大概永远不会看到这个文件,所以千万不要异想天开地在里面加入形似<img src=*> 类的HTML语句或是“How do you do? where are you from?”之类假情假意的问候语。


  在一个站点上只能有一个 "/robots.txt" 文件,而且文件名的每个字母要责备部是小 写。在Robot的记实格局中每一个单独的"Disallow"行表示你不但愿Robot访问的URL, 每个URL必需单独有一行,不能泛起 "Disallow: /cgi-bin/ /tmp/"这样的病句。同时在一个记实中不能泛起空行,这是由于空行是多个记实分割的标志。


  User-agent行指出的是Robot或其他代办代理的名称。在User-agent行,''*'' 表示一个特殊的含义---所有的robot。


  下面是几个robot.txt的例子:


  在整个服务器上拒绝所有的robots:


  User-agent: *


  Disallow: /


  答应所有的robots访问整个站点:


  User-agent: *


  Disallow:


  或者产生一个空的 "/robots.txt" 文件。


  服务器的部门内容答应所有的robot访问


  User-agent: *


  Disallow: /cgi-bin/


  Disallow: /tmp/


  Disallow: /private/


  拒绝某一个专门的robot:


  User-agent: BadBot


  Disallow: /


  只答应某一个robot光顾:


  User-agent: WebCrawler


  Disallow:


  User-agent: *


  Disallow: /


  最后我们给出 http://www.w3.org/站点上的robots.txt:


  # For use by search.w3.org


  User-agent: W3Crobot/1


  Disallow:


  User-agent: *


  Disallow: /Member/ # This is restricted to W3C Members only


  Disallow: /member/ # This is restricted to W3C Members only


  Disallow: /team/ # This is restricted to W3C Team only


  Disallow: /TandS/Member # This is restricted to W3C Members only


  Disallow: /TandS/Team # This is restricted to W3C Team only


  Disallow: /Project


  Disallow: /Systems


  Disallow: /Web


  Disallow: /Team


  使用Robots META tag方式


  Robots META tag 答应HTML网页作者指出某一页是否可以被索引,或是否可以用来查找更多的链接文件。目前只有部门robot实施了这一功能。


  Robots META tag的格局为:


  <META NAME="ROBOTS" CONTENT="NOINDEX, NOFOLLOW">


  象其他的META tag一样,它应该放在HTML文件的HEAD区:


  <html>


  <head>


  <meta name="robots" content="noindex,nofollow">


  <meta name="description" content="This page ....">


  <title>...</title>


  </head>


  <body>


  ...


  Robots META tag指令使用逗号隔开,可以使用的指令包括 [NO]INDEX 和[NO]FOLLOW。INDEX 指令指出一个索引性robot是否可以对本页进行索引;FOLLOW 指 令指出robot是否可以跟踪本页的链接。缺省的情况是INDEX和FOLLOW。例如:


  <meta name="robots" content="index,follow">


  <meta name="robots" content="noindex,follow">


  <meta name="robots" content="index,nofollow">


  <meta name="robots" content="noindex,nofollow">


  一个好的Web 站点治理员应该将robot的治理考虑在内,使robot为自己的主页服务, 同时又不损害自己网页的安全


  资料三


  什么是robots.txt?


  robots.txt


  robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。


  当一个搜索蜘蛛访问一个站点时,它会首先检查该站点根目录下是否存在robots.txt,假如存在,搜索机器人就会按照该文件中的内容来确定访问的范围;假如该文件不存在,所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。百度官方建议,仅当您的网站包含不但愿被搜索引擎收录的内容时,才需要使用robots.txt文件。假如您但愿搜索引擎收录网站上所有内容,请勿建立robots.txt文件。


  robots.txt必需放置在一个站点的根目录下,而且文件名必需全部小写。


  语法:最简朴的 robots.txt 文件使用两条规则:


  ? User-Agent: 合用下列规则的周游器


  ? Disallow: 要拦截的网页


  robots.txt在SEO中作用


  在进行网站优化的时候,常常会使用robots文件把一些内容不想让蜘蛛抓取,以前写过一篇网站优化robots.txt文件的运用, 现在写这编文章在增补一点点知识!什么是robots.txt文件


  搜索引擎通过一种爬虫spider程序(又称搜索蜘蛛、robot、搜索机器人等),自动搜集互联网上的网页并获取相关信息。


  鉴于网络安全与隐私的考虑,搜索引擎遵循robots.txt协议。通过根目录中创建的纯文本文件robots.txt,网站可以声明不想被robots访问的部门。每个网站都可以自主控制网站是否愿意被搜索引擎收录,或者指定搜索引擎只收录指定的内容。当一个搜索引擎的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,假如该文件不存在,那么爬虫就沿着链接抓取,假如存在,爬虫就会按照该文件中的内容来确定访问的范围。


  robots.txt必需放置在一个站点的根目录下,而且文件名必需全部小写。robots.txt文件的格局


  User-agent: 定义搜索引擎的类型


  Disallow: 定义禁止搜索引擎收录的地址


  Allow: 定义答应搜索引擎收录的地址


  我们常用的搜索引擎类型有: (User-agent区分大小写)


  google蜘蛛:Googlebot


  百度蜘蛛:Baiduspider


  yahoo蜘蛛:Yahoo!slurp


  alexa蜘蛛:ia_archiver


  bing蜘蛛:MSNbot


  altavista蜘蛛:scooter


  lycos蜘蛛:lycos_spider_(t-rex)


  alltheweb蜘蛛:fast-webcrawler


  inktomi蜘蛛: slurp


  Soso蜘蛛:Sosospider


  Google Adsense蜘蛛:Mediapartners-Google


  有道蜘蛛:YoudaoBot


  robots.txt文件的写法


  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的动态页面


  Disallow: /jpg$ 禁止抓取网页所有的.jpg格局的图片


  Disallow:/ab/adc.html 禁止爬去ab文件夹下面的adc.html文件。


  Allow: /cgi-bin/ 这里定义是答应爬寻cgi-bin目录下面的目录


  Allow: /tmp 这里定义是答应爬寻tmp的整个目录


  Allow: .htm$ 仅答应访问以".htm"为后缀的URL。


  Allow: .gif$ 答应抓取网页和gif格局图片


  robots.txt文件用法举例


  例1. 禁止所有搜索引擎访问网站的任何部门


  User-agent: *


  Disallow: /


  实例分析:淘宝网的 Robots.txt文件


  User-agent: Baiduspider


  Disallow: /


  User-agent: baiduspider


  Disallow: /


  很显然淘宝不答应百度的机器人访问其网站下其所有的目录。


  例2. 答应所有的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. 答应某个搜索引擎的访问


  User-agent: Baiduspider


  allow:/


  例5.一个简朴例子


  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。


  需要留意的是对每一个目录必需分开声明,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”这样的记实泛起。


  User-agent: *


  Disallow: /cgi-bin/


  Disallow: /tmp/


  Disallow: /~joe/


  Robot特殊参数:


  答应 Googlebot:


  假如您要拦截除 Googlebot 以外的所有周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,而不是指向所有周游器的行。


  “Allow”扩展名:


  Googlebot 可识别称为“Allow”的 robots.txt 尺度扩展名。其他搜索引擎的周游器可能无法识别此扩展名,因此请使用您感爱好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。只需列出您要答应的目录或页面即可。


  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


  Disallow:/folder1/


  Allow:/folder1/myfile.html


  这些条目将拦截 folder1 目录内除 myfile.html 之外的所有页面。


  假如您要拦截 Googlebot 并答应 Google 的另一个周游器(如 Googlebot-Mobile),可使用”Allow”规则答应该周游器的访问。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,假如 ? 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(详细而言,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: /*?$ 一行将答应包含任何以 ? 结尾的网址(详细而言,它将答应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)。


  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详细的页面。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,可以针对某个详细搜索引擎写为name=”BaiduSpider”。content部门有四个指令选项: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承抓取下去;


  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。


  需要留意的是:


  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RobotsMETA标签,目前支持的并未几,但是正在逐渐增加,如闻名搜索引擎GOOGLE就完全支持,而且GOOGLE还增加了一个指令“archive”,可以限制GOOGLE是否留存网页快照。


  编纂本段robots.txt使用误区


  特别提示:robots里面内容的大小写不可更改,Disallow后面的冒号必需为英文状态的。


  误区一


  网站上所有的文件都需要被蜘蛛抓取,那就没必要添加robots.txt文件了。反正假如该文件不存在,所有的搜索蜘蛛将默认能够访问网站上所有没有被口令保护的页面。


  误区二


  在robots.txt文件中设置所有的文件都可以被搜索蜘蛛抓取,这样可以增加网站的收录率。


  网站中的脚本程序、样式表等文件即使被蜘蛛收录,也不会增加网站的收录率,还只会占用服务器存储空间。因此必需在robots.txt文件里设置不要让搜索蜘蛛索引脚本程序、样式表等文件,详细哪些文件需要排除,在robots.txt使用技巧一文中有具体先容。


  误区三


  搜索蜘蛛抓取网页太铺张服务器资源,在robots.txt文件中设置所有的搜索蜘蛛都不能抓取全部的网页。


  假如这样的话,会导致整个网站不能被搜索引擎收录。


  编纂本段robots.txt使用技巧


  文件


  1. 每当用户试图访问某个不存在的URL时,服务器都会在日志中记实404错误(无法找到文件)。每当搜索蜘蛛来寻找并不存在的robots.txt文件时,服务器也将在日志中记实一条404错误,所以你应该在网站中添加一个robots.txt。


  2. 网站治理员必需使蜘蛛程序阔别某些服务器上的目录——保证服务器机能。好比:大多数网站服务器都有程序储存在“cgi-bin”目录下,因此在robots.txt文件中加入“Disallow: /cgi-bin/”是个好主意,这样能够避免将所有程序文件被蜘蛛索引,可以节省服务器资源。一般网站中不需要蜘蛛抓取的文件有:后台治理文件、程序脚本、附件、数据库文件、编码文件、样式表文件、模板文件、导航图片和背景图片等等。


  下面是VeryCMS里的robots.txt文件:


  User-agent: *


  Disallow: /admin/ 后台治理文件


  Disallow: /require/ 程序文件


  Disallow: /attachment/ 附件


  Disallow: /images/ 图片


  Disallow: /data/ 数据库文件


  Disallow: /template/ 模板文件


  Disallow: /css/ 样式表文件


  Disallow: /lang/ 编码文件


  Disallow: /script/ 脚本文件


  3. 假如你的网站是动态网页,并且你为这些动态网页创建了静态副本,以供搜索蜘蛛更轻易抓取。那么你需要在robots.txt文件里设置避免动态网页被蜘蛛索引,以保证这些网页不会被视为含重复内容。


  4. robots.txt文件里还可以直接包括在sitemap文件的链接。就像这样:


  Sitemap: http://www.***.com/sitemap.xml


  (此处请填写XML舆图的绝对路径,即完整URL,假如按习惯填写Sitemap: /sitemap.xml,提交后会提示:检测到无效的 Sitemap 网址;语法错误。


  XML舆图必需在网站根目录下才有效。)


  目前对此表示支持的搜索引擎公司有Google, Yahoo, Ask and MSN。而中文搜索引擎公司,显然不在这个圈子内。这样做的好处是,站长不用到每个搜索引擎的站长工具或者相似的站长部门,去提交自己的sitemap文件,搜索引擎的蜘蛛自己就会抓取robots.txt文件,读取其中的sitemap路径,接着抓取其中相链接的网页。


  5. 公道使用robots.txt文件还能避免访问时犯错。好比,不能让搜索者直接进入购物车页面。由于没有理由使购物车被收录,所以你可以在robots.txt文件里设置来阻止搜索者直接进入购物车页面。


  robots.txt文件的格局


  "robots.txt"文件包含一条或更多的记实,这些记实通过空行分开(以CR,CR/NL, or NL作为结束符),每一条记实的格局如下所示:


  "<field>:<optionalspace><value><optionalspace>"。


  在该文件中可以使用#进行注解,详细使用方法和UNIX中的惯例一样。该文件中的记实通常以一行或多行User-agent开始,后面加上若干Disallow和Allow行,具体情况如下:


  User-agent:


  该项的值用于描述搜索引擎robot的名字。在"robots.txt"文件中,假如有多条User-agent记实说明有多个robot会受到"robots.txt"的限制,对该文件来说,至少要有一条User-agent记实。假如该项的值设为*,则对任何robot均有效,在"robots.txt"文件中,"User-agent:*"这样的记实只能有一条。假如在"robots.txt"文件中,加入"User-agent:SomeBot"和若干Disallow、Allow行,那么名为"SomeBot"只受到"User-agent:SomeBot"后面的Disallow和Allow行的限制。


  Disallow:


  该项的值用于描述不但愿被访问的一组URL,这个值可以是一条完整的路径,也可以是路径的非空前缀,以Disallow项的值开头的URL不会被robot访问。例如"Disallow:/help"禁止robot访问/help.html、/helpabc.html、/help/index.html,而"Disallow:/help/"则答应robot访问/help.html、/helpabc.html,不能访问/help/index.html。"Disallow:"说明答应robot访问该网站的所有url,在"/robots.txt"文件中,至少要有一条Disallow记实。假如"/robots.txt"不存在或者为空文件,则对于所有的搜索引擎robot,该网站都是开放的。


  Allow:


  该项的值用于描述但愿被访问的一组URL,与Disallow项相似,这个值可以是一条完整的路径,也可以是路径的前缀,以Allow项的值开头的URL是答应robot访问的。例如"Allow:/hibaidu"答应robot访问/hibaidu.htm、/hibaiducom.html、/hibaidu/com.html。一个网站的所有URL默认是Allow的,所以Allow通常与Disallow搭配使用,实现答应访问一部门网页同时禁止访问其它所有URL的功能。


  需要特别留意的是Disallow与Allow行的顺序是有意义的,robot会根据第一个匹配成功的Allow或Disallow行确定是否访问某个URL。


  使用"*"和"$":


  Baiduspider支持使用通配符"*"和"$"来恍惚匹配url。


  "$" 匹配行结束符。


  "*" 匹配0或多个任意字符。


  robots.txt文件字符编码


  robots.txt使用什么字符编码,并没有相关划定,都是各搜索引擎自已定义的。固然google和其它搜索引擎建议大家使用 utf-8 字符编码格局的robots.txt,但几乎所有的搜索引擎都支持 ANSI 编码格局,而google自已对 utf-8 编码格局的robots.txt,会泛起首字乱码。所认为了达到最大的兼容性,建议大家使用 ANSI 格局编码,或者使用 utf-8 编码格局,但需要空出首行。


  还有一个建议就是robots.txt中最好不要泛起中文,即使是注释也要使用英文。


  robots.txt文件用法举例


  例1.禁止所有搜索引擎访问网站的任何部门 User-agent: *


  Disallow: /


  例2.答应所有的robot访问


  (或者也可以建一个空文件 "/robots.txt") 第1种写法


  User-agent: *


  Allow: /


  第2种写法


  User-agent: *


  Allow:


  第3种写法


  User-agent: *


  Disallow:


  例3. 仅禁止Baiduspider访问您的网站 User-agent: Baiduspider


  Disallow: /


  例4. 仅答应Baiduspider访问您的网站 User-agent: Baiduspider


  Allow: /


  例5. 禁止spider访问特定目录


  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robot不会访问这三个目录。需要留意的是对每一个目录必需分开声明,而不能写成 "Disallow: /cgi-bin/ /tmp/"。 User-agent: *


  Disallow: /cgi-bin/


  Disallow: /tmp/


  Disallow: /~joe/


  例6. 答应访问特定目录中的部门url User-agent: *


  Allow: /cgi-bin/see


  Allow: /tmp/hi


  Allow: /~joe/look


  例7. 使用"*"限制访问url


  禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。


  User-agent: *


  Disallow: /cgi-bin/*.htm


  例8. 使用"$"限制访问url


  仅答应访问以".htm"为后缀的URL。 User-agent: *


  Allow: / .htm$


  例9. 禁止访问网站中所有的动态页面 User-agent: *


  Disallow: /*?*


  例10. 禁止Baiduspider抓取网站上所有图片


  仅答应抓取网页,禁止抓取任何图片。 User-agent: Baiduspider


  Disallow: /*.jpg$


  Disallow: /* .jpeg$


  Disallow: /* .gif$


  Disallow: /* .png$


  Disallow: /*.bmp$


  例11. 仅答应Baiduspider抓取网页和。gif格局图片


  答应抓取网页和gif格局图片,不答应抓取其他格局图片 User-agent: Baiduspider


  Allow: .gif$


  Disallow: /.jpg$


  Disallow: / .jpeg$


  Disallow: / .png$


  Disallow: /.bmp$


  例12. 仅禁止Baiduspider抓取。jpg格局图片 User-agent: /Baiduspider


  Disallow: /.jpg$


  百度各个产品使用不同的user-agent:


  无线搜索 Baiduspider-mobile


  图片搜索 Baiduspider-image


  视频搜索 Baiduspider-video


  新闻搜索 Baiduspider-news


  百度搜藏 Baiduspider-favo


  百度同盟 Baiduspider-cpro


  商务搜索 Baiduspider-ads


  网页以及其他搜索 Baiduspider

转载请标注:东东工作室——怎样写robots文件_robots文件写法技巧_robot.txt的例子