robot.txt 用法详解

robots.txt是一个纯文本文件,是搜索引擎蜘蛛爬行网站的时候要访问的第一个文件,当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,相当于网站与搜索引蜘蛛遵循协议,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屏蔽的网页,作为站长,我们就可以通过robots.txt文件屏蔽掉错误的页面和一些不想让蜘蛛爬取和收录的页面,那么robots.txt该怎么样写呢?
robot.txt 用法详解

robots的语法:

  1. User-agent 定义搜索引擎。一般情况下,网站里面都是:User-agent: *,这里*的意思是所有,表示定义所有的搜索引擎。比如,我想定义百度,那么就是User-agent: Baiduspider;定义google,User-agent: Googlebot。
  2. Disallow 禁止爬取。如,我想禁止爬取我的admin文件夹,那就是Disallow: /admin/。禁止爬取admin文件夹下的login.html,
    Disallow: /admin/login.html。
  3. Allow 允许。我们都知道,在默认情况下,都是允许的。那为什么还要允许这个语法呢?举个例子:我想禁止admin文件夹下的所有文件,除了.html的网页,那怎么写呢?我们知道可以用Disallow一个一个禁止,但那样太费时间很精力了。这时候运用Allow就解决了复杂的问题,就这样写:
    Allow: /admin/.html$
    Disallow: /admin/。
  4. $ 结束符。例:Disallow: .php$ 这句话的意思是,屏蔽所有的以.php结尾的文件,不管前面有多长的URL,如abc/aa/bb//index.php也是屏蔽的。
  5. * 通配符符号0或多个任意字符。例:Disallow: *?* 这里的意思是屏蔽所有带“?”文件,也是屏蔽所有的动态URL。

robots.txt文件写法举例说明

  • 禁止Google/百度等所有搜索引擎访问整个网站
    1
    2
    User-agent: *
    Disallow: /
  • 允许所有的搜索引擎spider访问整个网站(Disallow:可以用Allow: /替代)
    1
    2
    User-agent: *
    Allow: /
  • 禁止Baiduspider访问您的网站,Google等其他搜索引擎不阻止
    1
    2
    User-agent: Baiduspider
    Disallow: /
  • 只允许Google spider: Googlebot访问您的网站,禁止百度等其他搜索引擎
    1
    2
    3
    4
    User-agent: Googlebot
    Disallow:
    User-agent: *
    Disallow: /
  • 禁止搜索引擎蜘蛛spider访问指定目录
    (spider不访问这几个目录。每个目录要分开声明,不能合在一起)

    1
    2
    3
    4
    User-agent: *
    Disallow: /cgi-bin/
    Disallow: /admin/
    Disallow: /~jjjj/
  • 禁止搜索引擎spider访问指定目录,但允许访问该指定目录的某个子目录
    1
    2
    3
    User-agent: *
    Allow: /admin/far
    Disallow: /admin/
  • 使用通配符星号"*"设置禁止访问的url
    (禁止所有搜索引擎抓取/cgi-bin/目录下的所有以".html"格式的网页(包含子目录))

    1
    2
    User-agent: *
    Disallow: /cgi-bin/*.html
  • 使用美元符号"$"设置禁止访问某一后缀的文件
    (只允许访问以".html"格式的网页文件。)

    1
    2
    3
    User-agent: *
    Allow: .html$
    Disallow: /
  • 阻止google、百度等所有搜索引擎访问网站中所有带有?的动态网址页面
    1
    2
    User-agent: *
    Disallow: /*?*
  • 阻止Google spider:Googlebot访问网站上某种格式的图片
    (禁止访问.jpg 格式的图片)

    1
    2
    User-agent: Googlebot
    Disallow: .jpg$
  • 只允许Google spider:Googlebot抓取网页和.gif格式图片
    (Googlebot只能抓取gif格式的图片和网页,其他格式的图片被禁止;
    其他搜索引擎未设置)

    1
    2
    3
    User-agent: Googlebot
    Allow: .gif$
    Disallow: .jpg$
  • 只禁止Google spider:Googlebot抓取.jpg格式图片
    (其他搜索引擎和其他格式图片没有禁止)

    1
    2
    User-agent: Googlebot
    Disallow: .jpg$

声明网站地图sitemap
这个告诉搜索引擎你的sitemap在哪,如:

1
Sitemap: http://www.AAAA.com/sitemap.xml

Google和百度对robots.txt文件的介绍: Google robotstxt,百度 robots.txt。
PS:
国内的搜索引擎蜘蛛

  1. 百度蜘蛛:baiduspider
  2. 搜狗蜘蛛:sogou spider
  3. 有道蜘蛛:YodaoBot和OutfoxBot
  4. 搜搜蜘蛛: Sosospider

国外的搜索引擎蜘蛛

  1. google蜘蛛: googlebot
  2. yahoo蜘蛛:Yahoo! Slurp
  3. alexa蜘蛛:ia_archiver
  4. bing蜘蛛(MSN):msnbot
2

发表评论