Robot文件的解释和写法

什么是Robot文件?

    robots.txt是一个纯文本文件，通过在这个文件中声明该网站中不想被robots访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。

    robots.txt: 用于告诉搜索引擎的爬虫程序（spider）网站那些页面可以被索引，那些不可以。
具体说明请参考：http://www.robotstxt.org/wc/robots.html

    当一个搜索机器人访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果找到，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，那么搜索机器人就沿着链接抓取。
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。

    需要注意的是主流的搜索引擎一般遵照执行Robot文件的语法，还有少数非主流搜索引擎例外。

Robot文件的基本语法

    "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）。

    在该文件中可以使用#进行注解，具体使用方法和UNIX中的惯例一样。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*，则该协议对任何机器人均有效，在"robots.txt"文件中， "User-agent：*"这样的记录只能有一条。

    Disallow :

    该项的值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。例如"Disallow: /help"对/help.html 和/help/index.html都不允许搜索引擎访问，而"Disallow: /help/"则允许robot访问/help.html，而不能访问/help/index.html。

任何一条Disallow记录为空，说明该网站的所有部分都允许被访问，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robot，该网站都是开放的。

三个典型的Robot文件例子

Robot文件语法很简单，这里举三个例子来说明。

    1、准许所有搜索引擎收录全站文件。解说："*"通配符号，意思是所有的搜索引擎。Disallow:后面留空意思是没有禁止收录的要求。

    User-agent: *
    Disallow:

    2、禁止搜索引擎收录全站文件。解说："*"通配符号，意思是所有的搜索引擎。Disallow:后面写"/"代表的是网站根目录。

    User-agent: *
    Disallow:/

    3、指定搜索引擎，对其进行约束。解说：百度不允许收录/mp3下的所有文件，Google不允许收录/image,/mp3下的文件，所有搜索引擎不允许收录/plan下的文件。

    User-agent: Baiduspider
    Disallow:/mp3  

    User-agent: GoogleBot
    Disallow:/image
    Disallow:/mp3

    User-agent: *
    Disallow:/plan

User-agent: *
Disallow: /01/
Disallow: /02/
Disallow: /03/

5.禁止某个搜索引擎的访问（下例中的BadBot）

User-agent: BadBot
Disallow: /

6.只允许某个搜索引擎的访问（下例中的Crawler）

User-agent: Crawler
Disallow:

User-agent: *
Disallow: /

注意事项

    1、User-agent:后面是用来指定搜索引擎的，可以有大小写。Disallow:是指定网站目录或文件的，只能小写。

    2、User-agent:后面使用通配符号*，用来指定所有引擎。但是一个Robot文件中只能出现一个这样的说明。

    3、Disallow和Allow作为目录指定语法都是合法的。和以前不同，以前只有Disallow是合法的。

    4、Robot文件写好，检查无误后保存成.txt文件形式，放在网站根目录下（与网站首页同一个目录里），就可以发挥作用。

    5、Robot文件并不放好就马上起作用，要等搜索引擎访问Robot文件后下次更新的时候才有用，如果有紧急需要从搜索引擎上剔除的文件，必须和该搜索引擎直接联系。

配合Robot文件在具体的网页中对搜索引擎做出约束

有一个不成对出现的<meta>网页标签，用它可以放在网页里head标签里，对搜索引擎的行为作出约束。它的完整形式如下：

    <meta name="robots" content="index,follow" />

属性name是用来指定搜索引擎的,robots表示所有搜索引擎。robots可以换成具体的搜索引擎名字例如:name="googlebot"。content属性用来对搜索引擎行为作出约束index代表允许搜索引擎收录本页。follow代表允许搜索引擎顺着本页面的链接向下收录。下面给出不允许搜索引擎收录本页，同时不允许跟踪本页链接的写法。

    <meta name="robots" content="noindex,nofollow" />

下面给出一个针对Goolge写的例子。表示不收录该网页但是可以跟踪本页内的链接进行收录。

Robot文件中

    User-agent: *
    Disallow:

被限制网页文件的head标签里

    <meta name="googlebot" content="noindex,follow" />

以上的例子里可以换成针对所有搜索引擎，只需要写成name="robots"即可。