robots.txt用法

<p><font face="Verdana">robots.txt用法</font><br/></p>
<div class="tpc_content" id="read_tpc">怎么写robots.txt文件？ <br/>robots.txt是个很简单的文本文件，您只要标明“谁不能访问哪些链接”即可。 <br/>在文件的第一行写： <br/>User-Agent: YodaoBot <br/>这就告诉了爬虫下面的描述是针对名叫YodaoBot的爬虫。您还可以写： <br/>User-Agent: * <br/>这就意味着向所有的爬虫开放。需要注意的是一个robots.txt文件里只能有一个"User-Agent: *"。 <br/>接下来是不希望被访问的链接前缀。例如： <br/>Disallow: /private <br/>这就告诉爬虫不要抓取以"/private"开头的所有链接。包括/private.html，/private/some.html，/private/some/haha.html。如果您写成： <br/>Disallow: / <br/>则表明整个站点都不希望被访问。您也可以分多行来指定不希望被抓取的链接前缀，例如： <br/>Disallow: /tmp <br/>Disallow: /disallow <br/>那么所有以"/tmp"和"/disallow"开头的链接都不会被访问了。 <br/><br/>最后形成的robots.txt文件如下： <br/>User-Agent: YodaoBot <br/>Disallow: /tmp <br/>Disallow: /private <br/><br/>请注意，如果您的robots.txt文件里有中文等非英语字符，请确定该文件是由UTF-8编码编写。</div>
<p><br/>&nbsp;</p>
<p><b>robots.txt</b>（统一小写）是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络搜索引擎的漫游器（又称网络蜘蛛），此网站中的哪些内容是不能被搜索引擎的漫游器获取的，哪些是可以被（漫游器）获取的。 因为一些系统中的URL是大小写敏感的，所以robots.txt的文件名应统一为小写。robots.txt应放置于网站的根目录下。如果想单独定义搜索引擎的漫游器访问子目录时的行为，那么可以将自定的设置合并到根目录下的robots.txt，或者使用robots元数据。</p>
<p>Robots.txt协议并不是一个规范，而只是约定俗成的，所以并不能保证网站的隐私。注意Robots.txt是用字符串比较来确定是否获取URL，所以目录末尾有和没有斜杠“/”这两种表示是不同的URL，也不能用"Disallow: *.gif"这样的通配符。</p>
<p>其他的影响搜索引擎的行为的方法包括使用robots元数据：</p><pre><font lang="en" xml:lang="en">&lt;meta name="robots" c /&gt;</font>
</pre>
<p>这个协议也不是一个规范，而只是约定俗成的，通常搜索引擎会识别这个元数据，不索引这个页面，以及这个页面的链出页面。</p>
<p><br/>&nbsp;</p>
<p>让所有机器人访问所有文件因为通配符"*"明所有机器人：</p>
<div dir="ltr" style="TEXT-ALIGN: left"><pre class="source-robots"><span class="kw1">User-agent</span>: *
<span class="kw1">Disallow</span>:
</pre></div>
<p>拦截所有的机器人：</p>
<div dir="ltr" style="TEXT-ALIGN: left"><pre class="source-robots"><span class="kw1">User-agent</span>: *
<span class="kw1">Disallow</span>: /
</pre></div>
<p>禁止所有机器人访问特定目录：</p>
<div dir="ltr" style="TEXT-ALIGN: left"><pre class="source-robots"><span class="kw1">User-agent</span>: *
<span class="kw1">Disallow</span>: /cgi-bin/
<span class="kw1">Disallow</span>: /images/
<span class="kw1">Disallow</span>: /tmp/
<span class="kw1">Disallow</span>: /private/
</pre></div>
<p>仅禁止坏爬虫访问特定目录：</p>
<div dir="ltr" style="TEXT-ALIGN: left"><pre class="source-robots"><span class="kw1">User-agent</span>: BadBot
<span class="kw1">Disallow</span>: /private/
</pre></div>
<p></p>
<h2><span class="editsection">[编辑]</span> <span class="mw-headline">非标准扩展协议</span></h2>
<p></p>
<h3><span class="editsection">[编辑]</span> <span class="mw-headline">Sitemaps auto-discovery</span></h3>
<p>The <code>Sitemap</code> parameter is supported by major crawlers (including Google, Yahoo, MSN, Ask). Sitemaps specifies the location of the site's list of URLs. This parameter is independent from <code>User-agent</code> parameter so it can be placed anywhere in the file.</p>
<div dir="ltr" style="TEXT-ALIGN: left"><pre class="source-robots">Sitemap: http://www.example.com/sitemap.xml.gz
</pre></div>
<p>An explanation of how to author SiteMap files can be found at sitemaps.org</p>
<p></p>
<h3><span class="editsection">[编辑]</span> <span class="mw-headline">Crawl-delay 指令</span></h3>
<p>几大抓取工具支持<code>Crawl-delay</code>参数，设置为多少秒，以等待同服务器之间连续请求: <sup class="reference" id="_ref-0">[1]</sup> <sup class="reference" id="_ref-1">[2]</sup></p>
<div dir="ltr" style="TEXT-ALIGN: left"><pre class="source-robots"><span class="kw1">User-agent</span>: *
Crawl-delay: <span class="nu0">10</span>
</pre></div>
<p></p>
<h3><span class="editsection">[编辑]</span> <span class="mw-headline">Allow 指令</span></h3>
<p>一些大的Crawlers支持一项Allow指令，可以抵消先前Disallow指令。比如Googlebot 如何拦截 Googlebot。</p>
<p></p>
<h2><span class="editsection">[编辑]</span> <span class="mw-headline">替代</span></h2>
<p>虽然robots.txt的是老的和更为广泛接受的方法，还有其他的（可以用来连同robots.txt一起使用），允许更大的控制权，如只禁止索引图象和禁用归档页的内容。</p>
<p></p>
<h3><span class="editsection">[编辑]</span> <span class="mw-headline">Robots META标签</span></h3>
<p>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标签也是放在页面的＜head＞＜/head＞中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。</p>
<div dir="ltr" style="TEXT-ALIGN: left"><pre class="source-html4strict"><span class="sc2"><span class="kw2">&lt;meta</span> <span class="kw3">name</span>=<span class="st0">"robots"</span> <span class="kw3">content</span>=<span class="st0">"noindex,nofollow"</span> /<span class="kw2">&gt;</span></span>
</pre></div>