首页 > 代码库 > robots写法及相关命令介绍

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