教你robots文件使用方法屏蔽搜索抓取方法

搜索引擎通过一种程序robot（又称spider），自动访问互联网上的网页并获取网页信息。

您可以在您的网站中创建一个纯文本文件robots.txt，在这个文件中声明该网站中不想被robot访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。robots.txt文件应该放在网站根目录下。

当一个搜索机器人（有的叫搜索蜘蛛）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，那么搜索机器人就沿着链接抓取。

robots.txt文件的格式：

“robots.txt”文件包含一条或更多的记录，这些记录通过空行分开（以CR，CR/NL， or NL作为结束符），每一条记录的格式如下所示：

 “<field>:<optionalspace><value><optionalspace>”。

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，详细情况如下：

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:/help”对/help.html 和/help/index.html都不允许搜索引擎访问，而”Disallow:/help/”则允许robot访问/help.html，而不能访问 /help/index.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 下载该robots.txt文件 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” file） User-agent： *Disallow：

例3. 禁止某个搜索引擎的访问 User-agent： BadBotDisallow： /

例4. 允许某个搜索引擎的访问 User-agent： baiduspiderDisallow： User-agent： *Disallow： /

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：

1. Google

允许 Googlebot：

如果您要拦截除 Googlebot 以外的所有漫游器访问您的网页，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

Disallow:/folder1/

Allow:/folder1/myfile.html

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）。

Sitemap 网站地图：

对网站地图的新的支持方式，就是在robots.txt文件里直接包括sitemap文件的链接。

就像这样：

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

目前对此表示支持的搜索引擎公司有Google， Yahoo， Ask and MSN。

不过，我建议还是在Google Sitemap 进行提交，里面有很多功能可以分析你的链接状态。