robots.txt详解

1，什么是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。

如果”robots.txt”不存在或者为空文件，则对于所有的搜索引擎robot，该网站都是开放的

搜索引擎使用spider程序自动访问互联网上的网页并获取网页信息。spider在访问一个网站时，会首先检查该网站的根域下是   否有一个叫做robots.txt的纯文本文件，这个文件用于指定spider在您网站上的抓取范围。您可以在您的网站中创建一个      robots.txt，在文件中声明该网站中不想被搜索引擎收录的部分或者指定搜索引擎只收录特定的部分。请注意，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。

2，robots.txt文件放在哪里? —-应该放置在网站根目录下
举例来说，当spider访问一个网站（比如http://www.mio-tour.com.tw）时，首先会检查该网站中是否存在http://www.mio-tour.com.tw/robots.txt这个文件，如果Spider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.mio-tour.com.tw/	http://www.mio-tour.com.tw/robots.txt
http://www.mio-tour.com.tw:80/	http://www.mio-tour.com.tw:80/robots.txt
http://www.mio-tour.com.tw:1234/	http://www.mio-tour.com.tw:1234/robots.txt
http://mio-tour.com.tw/	http://mio-tour.com.tw/robots.txt

3，robots.txt文件的格式

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。

User-agent:  该项的值用于描述搜索引擎robot的名字。

如果该项的值设为*，则对任何robot均有效

在”robots.txt”文件中，”User-agent:*”这样的记录只能有一条。

如果在”robots.txt”文件中，加入”User-agent:SomeBot”和若干Disallow、Allow行，那么名为”SomeBot”只受

到”User-agent:SomeBot”后面的Disallow和Allow行的限制。

Disallow:  该项的值用于描述不希望被访问的一组URL

该值可以是一条完整的路径，也可以是路径的非空前缀

以Disallow项的值开头的URL不会被robot访问

“Disallow:”说明允许robot访问该网站的所有url

在”/robots.txt”文件中，至少要有一条Disallow记录

Allow:  该项的值用于描述希望被访问的一组URL

该值可以是一条完整的路径，也可以是路径的前缀

以Allow项的值开头的URL是允许robot访问的

一个网站的所有URL默认是Allow的

需要特别注意的是Disallow与Allow行的顺序是有意义的，robot会根据第一个匹配成功的Allow或Disallow行确定是否访问某个URL

4，URL匹配举例—注意路径后面加斜杠和不加斜杠的区别

Allow或Disallow的值	URL	匹配结果
/tmp	/tmp	yes
/tmp	/tmp.html	yes
/tmp	/tmp/a.html	yes
/tmp/	/tmp	no
/tmp/	/tmphoho	no
/tmp/	/tmp/a.html	yes
/Hello*	/Hello.html	yes
/He*lo	/Hello,lolo	yes
/Heap*lo	/Hello,lolo	no
html$	/tmpa.html	yes
/a.html$	/a.html	yes
htm$	/a.html	no

5，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	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”)	User-agent: * Disallow: 或者 User-agent: * Allow: /
例3. 仅禁止Baiduspider访问您的网站	User-agent: Baiduspider Disallow: /
例4. 仅允许Baiduspider访问您的网站	User-agent: Baiduspider Disallow:   User-agent: * Disallow: /
例5. 禁止spider访问特定目录 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robot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，而不能写成 “Disallow: /cgi-bin/ /tmp/”。	User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/
例6. 允许访问特定目录中的部分url	User-agent: * Allow: /cgi-bin/see Allow: /tmp/hi Allow: /~joe/look Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/
例7. 使用”*”限制访问url 禁止访问/cgi-bin/目录下的所有以”.htm”为后缀的URL(包含子目录)。	User-agent: * Disallow: /cgi-bin/*.htm
例8. 使用”$”限制访问url 仅允许访问以”.htm”为后缀的URL。	User-agent: * Allow: .htm$ Disallow: /
例9. 禁止访问网站中所有的动态页面	User-agent: * Disallow: /*?*
例10. 禁止Baiduspider抓取网站上所有图片 仅允许抓取网页，禁止抓取任何图片。	User-agent: Baiduspider Disallow: .jpg$ Disallow: .jpeg$ Disallow: .gif$ Disallow: .png$ Disallow: .bmp$
例11. 仅允许Baiduspider抓取网页和.gif格式图片 允许抓取网页和gif格式图片，不允许抓取其他格式图片	User-agent: Baiduspider Allow: .gif$ Disallow: .jpg$ Disallow: .jpeg$ Disallow: .png$ Disallow: .bmp$
例12. 仅禁止Baiduspider抓取.jpg格式图片	User-agent: Baiduspider Disallow: .jpg$