robots写法及相关命令介绍

当一个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，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。百度官方建议，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。robots.txt必须放置在一个站点 的根目录下，而且文件名必须全部小写。

国内的搜索引擎蜘蛛：

百度蜘蛛：baiduspider

搜狗蜘蛛：sogou spider

有道蜘蛛：YodaoBot和OutfoxBot

搜搜蜘蛛： Sosospider

国外的搜索引擎蜘蛛：

google蜘蛛： googlebot

yahoo蜘蛛：Yahoo! Slurp

alexa蜘蛛：ia_archiver

bing蜘蛛（MSN）：msnbot

Robots.Txt的几个常用英文意思：

• User-Agent: 适用下列规则的漫游器

• Allow: 充许被抓取的网页

• Disallow: 要拦截的网页

Robots.Txt的两个常用符号：

“*”： 匹配0或多个任意字符（也有所有的意思）

“$”：匹配行结束符。

robots.txt文件的写法

　　User-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符

　　Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录

　　Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录

　　Disallow: /ABC/ 这里定义是禁止爬寻ABC目录下面的目录

　　Disallow: /cgi-bin/*.htm 禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。

　　Disallow: /*?* 禁止访问网站中所有的动态页面

　　Disallow: /jpg$ 禁止抓取网页所有的.jpg格式的图片

　　Disallow:/ab/adc.html 禁止爬去ab文件夹下面的adc.html文件。

　　Allow: /cgi-bin/　这里定义是允许爬寻cgi-bin目录下面的目录

　　Allow: /tmp 这里定义是允许爬寻tmp的整个目录

　　Allow: .htm$ 仅允许访问以".htm"为后缀的URL。

　　Allow: .gif$ 允许抓取网页和gif格式图片

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: /

　　实例分析：淘宝网的 Robots.txt文件

　　User-agent: Baiduspider

　　Disallow: /

　　User-agent: baiduspider

　　Disallow: /

　　很显然淘宝不允许百度的机器人访问其网站下其所有的目录。

　　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: *

　　Allow:

　　例3. 禁止某个搜索引擎的访问

　　User-agent: BadBot

　　Disallow: /

　　例4. 允许某个搜索引擎的访问

　　User-agent: Baiduspider

　　allow:/

　　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/

　　关于谷歌Robot特殊参数：

　　允许 Googlebot：

　　如果您要拦截除 Googlebot 以外的所有漫游器不能访问您的网页，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）。

Robots Meta标签

　 　Robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况，而Robots Meta标签则主要是针对一个个具体的页面。和其他的 META标签（如使用的语言、页面的描述、关键词等）一样，Robots Meta标签也是放在页面中，专门用来告诉搜索引擎ROBOTS如何抓取该页的 内容。

　　Robots Meta标签中没有大小写之分，name=”Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为 name=”BaiduSpider”。content部分有四个指令选项：index、noindex、follow、nofollow，指令间以 “,”分隔。

　　index指令告诉搜索机器人抓取该页面；

　　follow指令表示搜索机器人可以沿着该页面上的链接继续抓取下去；

　　Robots Meta标签的缺省值是index和follow，只有inktomi除外，对于它，缺省值是index、nofollow。

需要注意的是：

　　上述的robots.txt和Robots Meta标签限制搜索引擎机器人（ROBOTS）抓取站点内容的办法只是一种规则，需要搜索引擎机器人的配合才行，并不是每个ROBOTS都遵守的。

　 　目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于RobotsMETA标签，目前支持的并不多，但是正在逐渐增加，如著名 搜索引擎GOOGLE就完全支持，而且GOOGLE还增加了一个指令“archive”，可以限制GOOGLE是否保留网页快照。

做完这些我们如何检查我们的robots.txt这个文件的有效性呢？推荐使用Google管理员工具，登录后访问“工具 -> 分析 robots.txt”，检查文件有效性。

ps：robots中添加Sitemap: http://你的域名/sitemap.xml，可以帮助爬行网站地图