robots.txt的写法

什么是robots.txt?
robots.txt是一个纯文本文件,通过在这个文件中声明该网站中不想被搜索引擎 robots 访问的部分,如一般站点的后台登陆页面,购物车内容等。当然,也可以指定搜索引擎只收录指定的内容。当一个搜索机器人访问一个站点时,它会首先检查该站点根目录下是否存在robots.txt,如果找到该文件,搜索机器人就会按照该文件中的内容来确定访问的范围和规则,如果不存在,搜索机器人就沿着站点链接抓取。

园子需要提醒你的是: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.txt的语法

robots.txt文件可以包含一条或者更多的记录,这些记录通过空行分开(以CR,CR/NL,orNL作为结束符),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,详细说明如下:

  • 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:/admin”对/admin.html和/admin/index.html都不允许搜索引擎访问,而”Disallow:/admin/”则允许robot访问/admin.html,而不能访问/admin/admin.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。

robots.txt的常见写法

  • 禁止所有搜索引擎访问网站的任何部分:
    User-agent: *
    Disallow: /
  • 允许所有的robot访问
    User-agent: *
    Disallow:

    或者你也可以建一个空文件:robots.txt
  • 禁止所有搜索引擎访问网站的几个部分(如下例中的cgi-bin、tmp、private目录)
    User-agent: *
    Disallow: /cgi-bin/
    Disallow: /tmp/
    Disallow: /private/
  • 禁止某个搜索引擎的访问(下例中的BadBot)
    User-agent: BadBot
    Disallow: /
  • 只允许某个搜索引擎的访问(下例中的WebCrawler)
    User-agent: WebCrawler
    Disallow:
  • 下面是一些著名站点的robots.txt,你也可以参考他们的写法。
    http://www.google.com/robots.txt
    http://www.ibm.com/robots.txt
    http://www.sun.com/robots.txt
    http://www.baidu.com/robots.txt

常见搜索引擎Robots名字

robots.txt的写法》上有1条评论

发表评论