|
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访问的部分，这样，该网站的部分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（比如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，如果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文件的格式
"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。
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分
下载该robots.txt文件 |
User-agent: *
Disallow: / |
|
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: *
Disallow:
|
|
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
Disallow:
User-agent: *
Disallow: / |
|
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/ |
五. robots.txt文件参考资料
robots.txt文件的更具体设置,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
总结：
看这么多也许有些朋友会很不耐心，简单地说，robots.txt是这样一个文件，他可以将爬虫关到门外，使得不索引某个页面，具体的用法就是将不想被搜索引擎机器人爬行的网页目录下的文件所在的目录防至robots.txt，在前面加上Disallow:/（表示不允许）后面在跟上该目录，就会给搜索引擎这样一个信号，这个目录下所有的网页不要被访问了，如果在目录后面再加“/”则表示不要爬行该目录下面的默认主页，一般默认主页为index.html，index.htm之类。
|
