左岸印象

robots.txt的详细写法

分类: 服务器类 作者: 阅读: 4,124        10条评论

什么是robots.txt文件呢?

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,会首先会检查该网站的根域下是否有一个叫做robots.txt的纯文本文件。您可以在您的网站中创建一个纯文本文件robots.txt,在文件中声明该网站中不想被robot访问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。如果您希望搜索引擎收录网站上所有内容,请勿建立robots.txt文件或者创 建一个内容为空的robots.txt文件。

robots.txt 放置位置

放在根目录下.举列来说当spider访问一个网站(比如http://lbicc.com)时,首先会检查该网站中是否存在http://lbicc.com/robots.txt这个文件,如果机器人找到这个文件,它就会根据这个文件的内容,来确定它访问权限的范围。

robots.txt 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:”:”。在该文件中可以使用#进行注解。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和Allow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”robots.txt”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,这个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。例 如”Disallow: /help”禁止robot访问/help*.html、/help/index.html, 而”Disallow: /help/”则允许robot访问/help*.html,不能访问/help/index.html。

“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。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。

Allow:

该项的值用于描述希望被访问的一组URL,与Disallow项相似,这个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。例如”Allow:/hibaidu”允许robot访问/hibaidu.htm、/hibaiducom.html、 /hibaidu/com.html。一个网站的所有URL默认是Allow的,所以Allow通常与Disallow搭配使用,实现允许访问一部分网页同时禁止访问其它所有URL的功能。

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。

使用”*”和”$”:

Baiduspider 支持使用通配符”*”和”$”来模糊匹配url。

“$” 匹配行结束符。
“*” 匹配0或多个任意字符。

robots.txt文件用法举例:
例1. 允许所有的robot访问

User-agent: *
Allow: /

或者

User-agent: *
Disallow:

例2. 禁止所有搜索引擎访问网站的任何部分

User-agent: *
Disallow: /

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:

例5. 禁止spider访问特定目录

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$

本站的robots.txt规则,适用于Wordpress博客程序,Sitemap: 那条是指定了Sitemap位置,让搜索引擎更好的索引网站:

User-agent: *
Disallow: /wp-
Disallow: /feed/
Disallow: /trackback/
Disallow: /comments/feed
Disallow: /comments/
Disallow: /page/
Disallow: /gallery/
Sitemap: http://lbicc.com/sitemap.xml
Sitemap: http://lbicc.com/sitemap.xml.gz
Allow: /

注意:robots.txt是有分大小写的,默认文件名全小写,规则里面要注意区分大小写,比如禁止http://lbicc.com/Abc.html,在规则里写成abc.html的话那就没效果了,只会禁止abc.html,Abc.html还是有效


标签: , , , , , , , , , , ,

转载注明: 转自左岸印象

本站遵循: 署名-非商业性使用-禁止演绎 3.0 共享协议

文章分享: Digg / Twitter / Facebook / GReader / 鲜果 / 豆瓣 / 人人网 / 开心网 / 新浪微博


10条评论


  1. Jack Hsu 说道:

    博主很细心啊,连robots.txt都开始研究了。

    [回复]

    晴空落叶 回复:

    惭愧惭愧,都是上司要求我优化公司的网站,才想到去研究robots.txt :twisted:

    [回复]

    宅货铺 回复:

    平生不上宅货铺,便称宅人也枉然

    不解释,你懂的。

    [回复]

  2. 凯说 说道:

    没有研究过

    [回复]

  3. 维C生活网 说道:

    谢谢分享,收藏了

    [回复]

  4. 朵未 说道:

    俺没研究过,一般安程序默认的来的。

    [回复]

  5. 嗯,说了这么多废话,这一切对baiduspider无效

    [回复]

    晴空落叶 回复:

    :twisted: 是么

    [回复]

  6. 说道:

    :eek: 网络小白飘过。。

    [回复]

  7. Louis Han 说道:

    这个东西都能写成长篇大论

    [回复]


发表评论




XHTML: 您可以使用如下代码:<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong> <pre lang="" line="" escaped="" highlight="">