[HTML] 如何使用robots.txt防止搜索引擎抓取页面

Robots.txt 文件对抓取网络的搜索引擎漫游器（称为漫游器）进行限制。这些漫游器是自动的，在它们访问网页前会查看是否存在限制其访问特定网页的 robots.txt 文件。如果你想保护网站上的某些内容不被搜索引擎收入的话，robots.txt 是一个简单有效的工具。这里简单介绍一下怎么使用它。

如何放置 Robots.txt 文件

　　robots.txt自身是一个文本文件。它必须位于域名的根目录中并 被命名为"robots.txt"。位于子目录中的 robots.txt 文件无效，因为漫游器只在域名的根目录中查找此文件。例如，http://www.example.com/robots.txt是有效位置，http://www.example.com/mysite/robots.txt 则不是。

　　这里举一个robots.txt的例子：

　　User-agent： *

　　Disallow： /cgi-bin/

　　Disallow： /tmp/

　　Disallow： /~name/

　　使用 robots.txt 文件拦截或删除整个网站

　　要从搜索引擎中删除您的网站，并防止所有漫游器在以后抓取您的网站，请将以下 robots.txt 文件放入您服务器的根目录：

　　User-agent： *

　　Disallow： /

　　要只从 Google 中删除您的网站，并只是防止 Googlebot 将来抓取您的网站，请将以下 robots.txt 文件放入您服务器的根目录：

　　User-agent： Googlebot

　　Disallow： /

　　每个端口都应有自己的 robots.txt 文件。尤其是您通过 http 和 https 托管内容的时候，这些协议都需要有各自的 robots.txt 文件。例如，要让 Googlebot 只为所有的 http 网页而不为 https 网页编制索引，应使用下面的 robots.txt 文件。

　　对于 http 协议 （http://yourserver.com/robots.txt）：

　　User-agent： *

　　Allow： /

　　对于 https 协议 （https：//yourserver.com/robots.txt）：

　　User-agent： *

　　Disallow： /

　　允许所有的漫游器访问您的网页

　　User-agent： *

　　Disallow：

　　（另一种方法： 建立一个空的 "/robots.txt" 文件， 或者不使用robot.txt。）

　　使用 robots.txt 文件拦截或删除网页

　　您可以使用 robots.txt 文件来阻止 Googlebot 抓取您网站上的网页。 例如，如果您正在手动创建 robots.txt 文件以阻止 Googlebot 抓取某一特定目录下（例如，private）的所有网页，可使用以下 robots.txt 条目：

　　User-agent： Googlebot

　　Disallow： /private

　　要阻止 Googlebot 抓取特定文件类型（例如，.gif）的所有文件，可使用以下 robots.txt 条目：

　　User-agent： Googlebot

　　Disallow： /*.gif$

　　要阻止 Googlebot 抓取所有包含 ？ 的网址（具体地说，这种网址以您的域名开头，后接任意字符串，然后是问号，而后又是任意字符串），可使用以下条目：

　　User-agent： Googlebot

　　Disallow： /*？

　　尽管我们不抓取被 robots.txt 拦截的网页内容或为其编制索引，但如果我们在网络上的其他网页中发现这些内容，我们仍然会抓取其网址并编制索引。因此，网页网址及其他公开的信息，例如指 向该网站的链接中的定位文字，有可能会出现在 Google 搜索结果中。不过，您网页上的内容不会被抓取、编制索引和显示。

　　作为网站管理员工具的一部分，Google提供了robots.txt分析工具 。它可以按照 Googlebot 读取 robots.txt 文件的相同方式读取该文件，并且可为 Google user-agents（如 Googlebot）提供结果。我们强烈建议您使用它。 在创建一个 robots.txt 文件之前，有必要考虑一下哪些内容可以被用户搜得到，而哪些则不应该被搜得到。 这样的话，通过合理地使用 robots.txt ， 搜索引擎在把用户带到您网站的同时，又能保证隐私信息不被收录。