robots.txt是搜索引擎中訪問(wèn)網(wǎng)站的時(shí)候要查看的第一個(gè)文件。Robots.txt文件告訴蜘蛛程序在服務(wù)器上什么文件是可以被查看的。

　　當(dāng)一個(gè)搜索蜘蛛訪問(wèn)一個(gè)站點(diǎn)時(shí)，它會(huì)首先檢查該站點(diǎn)根目錄下是否存在robots.txt，如果存在，搜索機(jī)器人就會(huì)按照該文件中的內(nèi)容來(lái)確定訪問(wèn)的范圍；如果該文件不存在，所有的搜索蜘蛛將能夠訪問(wèn)網(wǎng)站上所有沒(méi)有被口令保護(hù)的頁(yè)面。

　　robots.txt必須放置在一個(gè)站點(diǎn)的根目錄下，而且文件名必須全部小寫。

　　語(yǔ)法：最簡(jiǎn)單的 robots.txt 文件使用兩條規(guī)則：

　　• User-Agent: 適用下列規(guī)則的漫游器 

　　• Disallow: 要攔截的網(wǎng)頁(yè)

           下載該robots.txt文件 

 

robots.txt 有幾個(gè)常用的寫法；

 

全部開放或全部禁止

 

{

 

User-agent: *    //表示站內(nèi)針地所有搜索引擎開放；

Allow: /    //允許索引所有的目錄；

 

User-agent: *    //表示站內(nèi)針地所有搜索引擎開放；

Disallow: /   //禁止索引所有的目錄；

 

User-agent: *    //表示站內(nèi)針地所有搜索引擎開放；

Disallow:   //允許索引所有的目錄；

 

}

 

這里呢，可以把[網(wǎng)站地圖（Sitemap）] 也加進(jìn)來(lái)，引導(dǎo)搜索引擎抓取網(wǎng)站地圖里的內(nèi)容。

 

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

 

Robots.txt 使用方法：

 

例1. 禁止所有搜索引擎訪問(wèn)網(wǎng)站的任何部分 

Disallow: /

 

例2. 允許所有的robot訪問(wèn)

(或者也可以建一個(gè)空文件 "/robots.txt")

User-agent: *

Disallow: 

或者

User-agent: *

Allow: / 

 

例3. 僅禁止Baiduspider訪問(wèn)您的網(wǎng)站 

User-agent: Baiduspider

Disallow: /

 

例4. 僅允許Baiduspider訪問(wèn)您的網(wǎng)站 

User-agent: Baiduspider

Disallow:

User-agent: *

Disallow: /

 

例5. 禁止spider訪問(wèn)特定目錄

在這個(gè)例子中，該網(wǎng)站有三個(gè)目錄對(duì)搜索引擎的訪問(wèn)做了限制，即robot不會(huì)訪問(wèn)這三個(gè)目錄。需要注意的是對(duì)每一個(gè)目錄必須分開聲明，而不能寫成 "Disallow: /cgi-bin/ /tmp/"。

User-agent: *

Disallow: /cgi-bin/

Disallow: /tmp/

Disallow: /~joe/

 

例6.要阻止 Googlebot 抓取特定文件類型（例如，.gif）的所有文件

User-agent: Googlebo

tDisallow: /*.gif$

 

例7.要阻止 Googlebot 抓取所有包含 ? 的網(wǎng)址（具體地說(shuō)，這種網(wǎng)址以您的域名開頭，后接任意字符串，然后是問(wèn)號(hào)，而后又是任意字符串）

User-agent: Googlebot

Disallow: /*?

 

 

 

Robots.txt高級(jí)語(yǔ)法-模式匹配：

 

Googlebot（但并非所有搜索引擎）遵循某些模式匹配原則。

 

要匹配連續(xù)字符，請(qǐng)使用星號(hào) (*)。例如，要攔截對(duì)所有以 private 開頭的子目錄的訪問(wèn)，請(qǐng)使用以下內(nèi)容： 

User-agent: Googlebot

Disallow: /private*/

 

要攔截對(duì)所有包含問(wèn)號(hào) (?) 的網(wǎng)址的訪問(wèn)（具體地說(shuō)，這種網(wǎng)址以您的域名開頭、后接任意字符串，然后接問(wèn)號(hào)，而后又接任意字符串），請(qǐng)使用以下內(nèi)容： 

User-agent: Googlebot

Disallow: /*?

 

要指定與某個(gè)網(wǎng)址的結(jié)尾字符相匹配，請(qǐng)使用 $。例如，要攔截以 .xls 結(jié)尾的所有網(wǎng)址，請(qǐng)使用以下內(nèi)容： 

User-agent: Googlebot

Disallow: /*.xls$

 

您可將此模式匹配與 Allow 指令配合使用。例如，如果 ? 代表一個(gè)會(huì)話 ID，那么您可能希望排除包含 ? 的所有網(wǎng)址，以確保 Googlebot 不會(huì)抓取重復(fù)網(wǎng)頁(yè)。但是以 ? 結(jié)尾的網(wǎng)址可能是您希望包含在內(nèi)的網(wǎng)頁(yè)的版本。在此情況下，您可以對(duì)您的 robots.txt 文件進(jìn)行如下設(shè)置：

 

User-agent: *

Allow: /*?$

Disallow: /*?

 

Disallow: /*?指令會(huì)阻止包含 ? 的所有網(wǎng)址（具體地說(shuō)，它將攔截所有以您的域名開頭、后接任意字符串，然后接問(wèn)號(hào)，而后又接任意字符串的網(wǎng)址）。

 

Allow: /*?$ 指令將允許以 ? 結(jié)尾的任何網(wǎng)址（具體地說(shuō)，它將允許所有以您的域名開頭、后接任意字符串，然后接 ?，? 之后不接任何字符的網(wǎng)址）。

 

 

Robots.txt 誤區(qū)使用：

 

        誤區(qū)一：我的網(wǎng)站上的所有文件都需要蜘蛛抓取，那我就沒(méi)必要在添加robots.txt文件了。反正如果該文件不存在，所有的搜索蜘蛛將默認(rèn)能夠訪問(wèn)網(wǎng)站上所有沒(méi)有被口令保護(hù)的頁(yè)面。

　　每當(dāng)用戶試圖訪問(wèn)某個(gè)不存在的URL時(shí)，服務(wù)器都會(huì)在日志記錄中404錯(cuò)誤（無(wú)法找到文件）。每當(dāng)搜索蜘蛛來(lái)尋找并不存在的robots.txt文件時(shí)，服務(wù)器也將在日志中記錄一條404錯(cuò)誤，所以你應(yīng)該做網(wǎng)站中添加一個(gè)robots.txt。

　　誤區(qū)二：在robots.txt文件中設(shè)置所有的文件都可以被搜索蜘蛛抓取，這樣可以增加網(wǎng)站的收錄率。

　　網(wǎng)站中的程序腳本、樣式表等文件即使被蜘蛛收錄，也不會(huì)增加網(wǎng)站的收錄率，還只會(huì)浪費(fèi)服務(wù)器資源。因此必須在robots.txt文件里設(shè)置不要讓搜索蜘蛛索引這些文件。

　　具體哪些文件需要排除， 在robots.txt使用技巧一文中有詳細(xì)介紹。

　　誤區(qū)三：搜索蜘蛛抓取網(wǎng)頁(yè)太浪費(fèi)服務(wù)器資源，在robots.txt文件設(shè)置所有的搜索蜘蛛都不能抓取全部的網(wǎng)頁(yè)。

　　如果這樣的話，會(huì)導(dǎo)致整個(gè)網(wǎng)站不能被搜索引擎收錄。

 

 

Robots META標(biāo)簽的寫法：

 

Robots META標(biāo)簽則主要是針對(duì)一個(gè)個(gè)具體的頁(yè)面。和其他的META標(biāo)簽（如使用的語(yǔ)言、頁(yè)面的描述、關(guān)鍵詞等）一樣，Robots META標(biāo)簽也是放在頁(yè)面的＜head＞＜/head＞中，專門用來(lái)告訴搜索引擎ROBOTS如何抓取該頁(yè)的內(nèi)容。

 

Robots META標(biāo)簽中沒(méi)有大小寫之分，name=”Robots”表示所有的搜索引擎，可以針對(duì)某個(gè)具體搜索引擎寫為name=”BaiduSpider”。 content部分有四個(gè)指令選項(xiàng)：index、noindex、follow、nofollow，指令間以“,”分隔。

 

INDEX 指令告訴搜索機(jī)器人抓取該頁(yè)面；

FOLLOW 指令表示搜索機(jī)器人可以沿著該頁(yè)面上的鏈接繼續(xù)抓取下去；

Robots Meta標(biāo)簽的缺省值是INDEX和FOLLOW，只有inktomi除外，對(duì)于它，缺省值是INDEX,NOFOLLOW。

 

這樣，一共有四種組合：

＜META NAME="ROBOTS" CONTENT="INDEX,FOLLOW"＞

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

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

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

其中

＜META NAME="ROBOTS" CONTENT="INDEX,FOLLOW"＞可以寫成＜META NAME="ROBOTS" CONTENT="ALL"＞；

 

＜META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW"＞可以寫成＜META NAME="ROBOTS" CONTENT="NONE"＞

 

 

注：

robots.txt 一定要放置在網(wǎng)站的根目錄下；如：http://www.semcmd.com/robots.txt

 

robots.txt 命名一定要全部小寫，不允許出現(xiàn)Robots.txt 或 ROBOTS.TXT 

 

Robots META標(biāo)簽則不受此限制，但W3C限制，所以盡量都用小寫；

 

robots.txt 中允許注釋，注釋以#開頭

 

正確的使用 robots.txt  是有好處的，但是一定要細(xì)心檢查，不要寫錯(cuò)了，如果萬(wàn)一寫錯(cuò)了，就有可能導(dǎo)致搜索引擎不收錄。

 

原來(lái)一個(gè)朋友提出問(wèn)題，說(shuō)為什么他的網(wǎng)站建好那么久，就是不被收錄，后來(lái)檢查，原來(lái)問(wèn)題就出現(xiàn)在robots.txt 上，他在Disallow:后面加了個(gè)/  全部禁止了。

 

User-agent: *    //表示站內(nèi)針地所有搜索引擎開放；

Disallow: /   //禁止索引所有的目錄；

 

新手如果不會(huì)寫或怕寫錯(cuò)了，可以使用Google的管理員工具來(lái)設(shè)置。[Google 管理員工具]