正在阅读:

robots.txt写法

1,797

robots.txt一般指robots协议,Robots协议(也称为爬虫协议、机器人协议等)的全称是“网络爬虫排除标准”(Robots Exclusion Protocol),网站通过Robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取。

大家有没有想过,如果我们某个站点不让百度收录,该怎样做呢?

搜索引擎已经和我们达成一个约定,如果我们按约定那样做了,它们就不会收录。

这个写约定的的文件命名为:robots.txt。

robots.txt是一个最简单的.txt文件,用以告诉搜索引擎哪些网页可以收录,哪些不允许收录。

关于robots.txt的使用一般站长需要注意以下几点:

如果你的站点对所有搜索引擎公开,则不用做这个文件或者robots.txt为空就行。

必须命名为:robots.txt,都是小写,robot后面加"s"。

robots.txt必须放置在一个站点的根目录下。放在子目录的 Robots.txt 文件搜索引擎不能爬取到,所以不会起任何作用。如:通过
http://jiangwenseo.com/robots.txt 可以成功访问到,(当然本站暂时没有设置robots.txt文件,以后肯定会设置的)则说明本站的放置正确。

举例说明:

http://jiangwenseo.com/robots.txt 有效

http://jiangwenseo.com/share/robots.txt 无效

如果你不能控制根目录的 robots.txt,则你可以通过在子目录网页中使用标签阻止网页被收录。

文件写法:

一般情况下,robots.txt里只写着两个函数:User-agent和 Disallow。

观察这个页面并修改为自己的:http://jiangwenseo.com/robots.txt

有几个禁止,就得有几个Disallow函数,并分行描述。

至少要有一个Disallow函数,如果都允许收录,则写: Disallow: ,如果都不允许收录,则写 : Disallow: / (注:只是差一个斜杆)。

指令列举:

User-agent: * 星号说明允许所有搜索引擎收录

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包含问号 (?) 的网址

Disallow: /.jpg$ 禁止抓取网页所有的.jpg格式的图片

Disallow:/ab/adc.html 禁止爬取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

Sitemap: 网站地图 告诉爬虫这个页面是网站地图

举例说明:

Disallow: /1.html 说明 http://jiangwenseo.com/1.html 这个页面禁止搜索引擎抓取。

Disallow: /index.php? 说明类似这样的页面http://jiangwenseo.com/index.php?s ... &searchcategory=%25 禁止搜索引擎抓取。

总结:

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,这个文件用于指定spider在您网站上的抓取范围。

上一节[ 5.4 ]如何查看网站被百度抓取的情况?

下一节[ 5.6 ]为什么要设置robots.txt文件?

留下脚印,证明你来过。

*

*

流汗坏笑撇嘴大兵流泪发呆抠鼻吓到偷笑得意呲牙亲亲疑问调皮可爱白眼难过愤怒惊讶鼓掌