robots.txt怎么写 robots.txt协议 | 2018-01-30 08:55:32

robots.txt文件是一个文本文件,使用任何一个常见的文本编辑器,比如Windows系统自带的Notepad,就可以创建和编辑它 。robots.txt是一个协议,而不是一个命令。robots.txt是搜索引擎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。


robots.txt协议是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,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,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希望被搜索引擎收录的内容时,才需要使用robots.txt文件。如果您希望搜索引擎收录网站上所有内容,请勿建立robots.txt文件。



  robots.txt怎么写:robots.txt写法视频教程


  robots.txt作用是告诉蜘蛛哪些文件可以爬取,哪些不可以爬取。


  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


  robots.txt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/


  Robot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)。


  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[1] 。


     


文 / 网盛    阅:54

免费获取网站建设与品牌策划方案报价

在线预约享受建站8

  • 公司名称
  • 手机号码
  • 网站类型
  • 所在城市
  • 联系人
  • 需求

在线
客服

在线客服服务时间:9:00-17:00

客服
热线

0571-88228136
- 024-83959235
建站服务热线

关注
微信

关注官方微信
顶部