Robots.txt 协议标准介绍

greatking 2011-05-03

Robots.txt是存放在站点根目录下的一个纯文本文件。虽然它的设置很简单,但是作用却很强大。它可以指定搜索引擎蜘蛛只抓取指定的内容,或者是禁止搜索引擎蜘蛛抓取网站的部分或全部内容。

下面我们就来详细介绍一下它的使用方法:

Robots.txt文件应该放在网站根目录下,并且该文件是可以通过互联网进行访问的。

例如:

如果您的网站地址是http://www.yourdomain.com/

那么,该文件必须能够通过http://www.yourdomain.com/robots.txt打开并看到里面的内容。

格式:

User-agent:

用于描述搜索引擎蜘蛛的名字,在”Robots.txt“文件中,如果有多条User-agent记录说明有多个搜索引擎蜘蛛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*,则该协议对任何搜索引擎蜘蛛均有效,在”Robots.txt“文件中,”User-agent:*”这样的记录只能有一条。

Disallow:

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。

举例:

例一:”Disallow:/help”

是指/help.html和/help/index.html都不允许搜索引擎蜘蛛抓取。

例二:”Disallow:/help/”

是指允许搜索引擎蜘蛛抓取/help.html,而不能抓取/help/index.html。

例三:Disallow记录为空

说明该网站的所有页面都允许被搜索引擎抓取,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蜘蛛,该网站都是开放的可以被抓取的。

#:

Robots.txt协议中的注释符。

举例:

例一:通过”/robots.txt”禁止所有搜索引擎蜘蛛抓取”/bin/cgi/”目录,以及“/tmp/”目录和/foo.html文件,设置方法如下:

User-agent:*

Disallow:/bin/cgi/

Disallow:/tmp/

Disallow:/foo.html

例二:通过”/robots.txt”只允许某个搜索引擎抓取,而禁止其他的搜索引擎抓取。

如:只允许名为”slurp”的搜索引擎蜘蛛抓取,而拒绝其他的搜索引擎蜘蛛抓取“/cgi/”目录下的内容,设置方法如下:

User-agent:*

Disallow:/cgi/

User-agent:slurp

Disallow:

例三:禁止任何搜索引擎抓取我的网站,设置方法如下:

User-agent:*

Disallow:/

例四:只禁止某个搜索引擎抓取我的网站

如:只禁止名为“slurp”的搜索引擎蜘蛛抓取,设置方法如下:

User-agent:slurp

Disallow:/

相关推荐