robots協議 鎖定

robots.txt一般指robots協議，更多含義請參閱 robots.txt 。

Robots協議（也稱為爬蟲協議、機器人協議等）的全稱是“網絡爬蟲排除標準”（Robots Exclusion Protocol），網站通過Robots協議告訴搜索引擎哪些頁面可以抓取，哪些頁面不能抓取。

目 錄

1簡介

2原則

3功能

3.1 文件寫法

3.2 文件用法

3.3 其它屬性

3.4 標簽

3.5 注意事項

4位置

5產生

6影響

7搜索引擎

1簡介

robots.txt文件是一個文本文件，使用任何一個常見的文本編輯器，比如Windows系統自帶的Notepad，就可以創建和編輯它^[1]。robots.txt是一個協議，而不是一個命令。robots.txt是搜索引擎中訪問網站的時候要查看的第一個文件。robots.txt文件告訴蜘蛛程序在服務器上什么文件是可以被查看的。 當一個搜索蜘蛛訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，如果存在，搜索機器人就會按照該文件中的內容來確定訪問的范圍；如果該文件不存在，所有的搜索蜘蛛將能夠訪問網站上所有沒有被口令保護的頁面。百度官方建議，僅當您的網站包含不希望被搜索引擎收錄的內容時，才需要使用robots.txt文件。如果您希望搜索引擎收錄網站上所有內容，請勿建立robots.txt文件。 如果將網站視為酒店里的一個房間，robots.txt就是主人在房間門口懸掛的“請勿打擾”或“歡迎打掃”的提示牌。這個文件告訴來訪的搜索引擎哪些房間可以進入和參觀，哪些房間因為存放貴重物品，或可能涉及住戶及訪客的隱私而不對搜索引擎開放。但robots.txt不是命令，也不是防火墻，如同守門人無法阻止竊賊等惡意闖入者。

2原則

robots協議原理

Robots協議是國際互聯網界通行的道德規范，基于以下原則建立： 1、搜索技術應服務于人類，同時尊重信息提供者的意愿，并維護其隱私權； 2、網站有義務保護其使用者的個人信息和隱私不被侵犯。

3功能

Robots協議用來告知搜索引擎哪些頁面能被抓取，哪些頁面不能被抓取；可以屏蔽一些網站中比較大的文件，如：圖片，音樂，視頻等，節省服務器帶寬；可以屏蔽站點的一些死鏈接。方便搜索引擎抓取網站內容；設置網站地圖連接，方便引導蜘蛛爬取頁面。

文件寫法

User-agent: * 這里的*代表的所有的搜索引擎種類，*是一個通配符 Disallow: /admin/ 這里定義是禁止爬尋admin目錄下面的目錄 Disallow: /require/ 這里定義是禁止爬尋require目錄下面的目錄 Disallow: /ABC/ 這里定義是禁止爬尋ABC目錄下面的目錄 Disallow: /cgi-bin/*.htm 禁止訪問/cgi-bin/目錄下的所有以".htm"為后綴的URL(包含子目錄)。 Disallow: /*?* 禁止訪問網站中所有包含問號 (?) 的網址 Disallow: /.jpg$ 禁止抓取網頁所有的.jpg格式的圖片 Disallow:/ab/adc.html 禁止爬取ab文件夾下面的adc.html文件。 Allow: /cgi-bin/　這里定義是允許爬尋cgi-bin目錄下面的目錄 Allow: /tmp 這里定義是允許爬尋tmp的整個目錄 Allow: .htm$ 僅允許訪問以".htm"為后綴的URL。 Allow: .gif$ 允許抓取網頁和gif格式圖片 Sitemap: 網站地圖 告訴爬蟲這個頁面是網站地圖

文件用法

例1. 禁止所有搜索引擎訪問網站的任何部分 User-agent: * Disallow: / 實例分析：淘寶網的 Robots.txt文件 User-agent: Baiduspider Disallow: / User-agent: baiduspider Disallow: / 很顯然淘寶不允許百度的機器人訪問其網站下其所有的目錄。 例2. 允許所有的robot訪問 (或者也可以建一個空文件 “/robots.txt” file) User-agent: * Allow:　/ 例3. 禁止某個搜索引擎的訪問 User-agent: BadBot Disallow: / 例4. 允許某個搜索引擎的訪問 User-agent: Baiduspider allow:/ 例5.一個簡單例子 在這個例子中，該網站有三個目錄對搜索引擎的訪問做了限制，即搜索引擎不會訪問這三個目錄。 需要注意的是對每一個目錄必須分開聲明，而不要寫成 “Disallow: /cgi-bin/ /tmp/”。 User-agent:后的*具有特殊的含義，代表“any robot”，所以在該文件中不能有“Disallow: /tmp/*” or “Disallow:*.gif”這樣的記錄出現。 User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ Robot特殊參數： 允許 Googlebot： 如果您要攔截除Googlebot以外的所有漫游器不能訪問您的網頁，可以使用下列語法： User-agent: Disallow: / User-agent: Googlebot Disallow: Googlebot 跟隨指向它自己的行，而不是指向所有漫游器的行。 “Allow”擴展名： Googlebot 可識別稱為“Allow”的 robots.txt 標準擴展名。其他搜索引擎的漫游器可能無法識別此擴展名，因此請使用您感興趣的其他搜索引擎進行查找。“Allow”行的作用原理完全與 “Disallow”行一樣。只需列出您要允許的目錄或頁面即可。 您也可以同時使用“Disallow”和“Allow”。例如，要攔截子目錄中某個頁面之外的其他所有頁面，可以使用下列條目： User-agent: Googlebot Allow: /folder1/myfile.html Disallow: /folder1/ 這些條目將攔截 folder1 目錄內除 myfile.html 之外的所有頁面。 如果您要攔截 Googlebot 并允許 Google 的另一個漫游器（如 Googlebot-Mobile），可使用”Allow”規則允許該漫游器的訪問。例如： User-agent: Googlebot Disallow: / User-agent: Googlebot-Mobile Allow: 使用 * 號匹配字符序列： 您可使用星號 (*) 來匹配字符序列。例如，要攔截對所有以 private 開頭的子目錄的訪問，可使用下列條目：　User-Agent: Googlebot Disallow: /private*/ 要攔截對所有包含問號 (?) 的網址的訪問，可使用下列條目： User-agent: * Disallow: /*?* 使用 $ 匹配網址的結束字符 您可使用 $字符指定與網址的結束字符進行匹配。例如，要攔截以 .asp 結尾的網址，可使用下列條目：　User-agent: Googlebot Disallow: /*.asp$ 您可將此模式匹配與 Allow 指令配合使用。例如，如果 ? 表示一個會話 ID，您可排除所有包含該 ID 的網址，確保 Googlebot 不會抓取重復的網頁。但是，以 ? 結尾的網址可能是您要包含的網頁版本。在此情況下，可對 robots.txt 文件進行如下設置： User-agent: * Allow: /*?$ Disallow: /*? Disallow: / *? 一行將攔截包含 ? 的網址（具體而言，它將攔截所有以您的域名開頭、后接任意字符串，然后是問號 (?)，而后又是任意字符串的網址）。 Allow: /*?$ 一行將允許包含任何以 ? 結尾的網址（具體而言，它將允許包含所有以您的域名開頭、后接任意字符串，然后是問號 (?)，問號之后沒有任何字符的網址）。 盡管robots.txt已經存在很多年了，但是各大搜索引擎對它的解讀都有細微差別。Google與百度都分別在自己的站長工具中提供了robots工具。如果您編寫了robots.txt文件，建議您在這兩個工具中都進行測試，因為這兩者的解析實現確實有細微差別^[1]。

其它屬性

1. Robot-version: 用來指定robot協議的版本號 例子: Robot-version: Version 2.0 2.Crawl-delay：雅虎YST一個特定的擴展名，可以通過它對我們的抓取程序設定一個較低的抓取請求頻率。您可以加入Crawl-delay:xx指示，其中，“XX”是指在crawler程序兩次進入站點時，以秒為單位的最低延時。 3. Visit-time:只有在visit-time指定的時間段里,robot才可以訪問指定的URL,否則不可訪問. 例子: Visit-time: 0100-1300 #允許在凌晨1:00到13:00訪問 4. Request-rate: 用來限制URL的讀取頻率 例子: Request-rate: 40/1m 0100 - 0759 在1:00到07:59之間,以每分鐘40次的頻率進行訪問 Request-rate: 12/1m 0800 - 1300 在8:00到13:00之間,以每分鐘12次的頻率進行訪問

標簽

Robots.txt文件主要是限制整個站點或者目錄的搜索引擎訪問情況，而Robots Meta標簽則主要是針對一個個具體的頁面。和其他的META標簽（如使用的語言、頁面的描述、關鍵詞等）一樣，Robots Meta標簽也是放在頁面中，專門用來告訴搜索引擎ROBOTS如何抓取該頁的內容。 Robots Meta標簽中沒有大小寫之分，name=”Robots”表示所有的搜索引擎，可以針對某個具體搜索引擎寫為name=”BaiduSpider”。 content部分有四個指令選項：index、noindex、follow、nofollow，指令間以“,”分隔。 index指令告訴搜索機器人抓取該頁面； follow指令表示搜索機器人可以沿著該頁面上的鏈接繼續抓取下去； Robots Meta標簽的缺省值是index和follow，只有inktomi除外，對于它，缺省值是index、nofollow。

注意事項

上述的robots.txt和Robots Meta標簽限制搜索引擎機器人（ROBOTS） 抓取站點內容的辦法只是一種規則，需要搜索引擎機器人的配合才行，并不是每個ROBOTS都遵守的。目前看來，絕大多數的搜索引擎機器人都遵守 robots.txt的規則，而對于Robots　META標簽，支持的并不多，但是正在逐漸增加，如著名搜索引擎GOOGLE就完全支持，而且 GOOGLE還增加了一個指令“archive”，可以限制GOOGLE是否保留網頁快照。

4位置

robots.txt文件應該放置在網站根目錄下。舉例來說，當spider訪問一個網站時，首先會檢查該網站中是否存在robots.txt這個文件，如果 Spider找到這個文件，它就會根據這個文件的內容，來確定它訪問權限的范圍。 wordpress的robots位置 沒有在wordpress網 站根節目上傳過robots.txt,當搜尋引擎和用戶拜訪某個文件時，wordpress程序會主動生成一個robots.txt給搜尋引擎和用戶;若 是我們上傳編寫的robots.txt到網站根節目，用戶和搜尋引擎蛛蛛拜訪的就是我們上傳的文件，wordpress就不會再產生那個文件了。只有服務 器找不到robots的時候wordpress才會生成這個文件。

5產生

robots.txt 并不是某一個公司制定的，而是早在20世紀93、94年就早已出現，當時還沒有Google。真實Robots協議的起源，是在互聯網從業人員的公開郵件 組里面討論并且誕生的。即便是今天，互聯網領域的相關問題也仍然是在一些專門的郵件組中討論，并產生（主要是在美國）。 1994年6月30日，在經過搜索引擎人員以及被搜索引擎抓取的網站站長共同討論后，正式發布了一份行業規范，即robots.txt協議。在此之前，相關人員一直在起草這份文檔，并在世界互聯網技術郵件組發布后，這一協議被幾乎所有的搜索引擎采用，包括最早的altavista，infoseek，后來的google，bing，以及中國的百度，搜搜，搜狗等公司也相繼采用并嚴格遵循。 Robot，又稱Spider，是搜索引擎自動獲取網頁信息的電腦程序的通稱。Robots協議的核心思想就是要求 Robot程序不要去檢索那些站長們不希望被直接搜索到的內容。將約束Robot程序的具體方法規范成格式代碼，就成了Robots協議。一般來說，網站 是通過Robots.txt文件來實現Robots協議。 自有搜索引擎之日起，Robots協議已是一種目前為止最有效的方式，用自律維持著網站與搜索引擎之間的平衡，讓兩者之間的利益不致過度傾斜。它就像一個鐘擺，讓互聯網上的搜索與被搜索和諧相處。

維基百科上描述的robots協議的最原始起源

6影響

Robots協議是網站出于安全和隱私考慮，防止搜索引擎抓取敏感信息而設置的。搜索引擎的原理是通過一種爬蟲spider程序，自動搜集互聯網上的網頁并獲取相關信息。而鑒于網絡安全與隱私的考慮，每個網站都會設置自己的Robots協議，來明示搜索引擎，哪些內容是愿意和允許被搜索引擎收錄的，哪些則不允許。搜索引擎則會按照Robots協議給予的權限進行抓取。 Robots協議代表了一種契約精神，互聯網企業只有遵守這一規則，才能保證網站及用戶的隱私數據不被侵犯。違背 Robots協議將帶來巨大安全隱憂——此前，曾經發生過這樣一個真實的案例：國內某公司員工郭某給別人發了封求職的電子郵件，該Email存儲在某郵件 服務公司的服務器上。因為該網站沒有設置robots協議，導致該Email被搜索引擎抓取并被網民搜索到，為郭某的工作生活帶來極大困擾。 如今，在中國國內互聯網行業，正規的大型企業也都將Robots協議當做一項行業標準，國內使用Robots協議最 典型的案例，就是淘寶網拒絕百度搜索、京東拒絕一淘搜索。不過，絕大多數中小網站都需要依靠搜索引擎來增加流量，因此通常并不排斥搜索引擎，也很少使用 Robots協議。 北京市漢卓律師事務所首席律師趙虎表示，Robots協議是維護互聯網世界隱私安全的重要規則。如果這種規則被破壞，對整個行業就是滅頂之災。

7搜索引擎

百度對robots.txt是有反應的，但比較慢，在減少禁止目錄抓取的同時也減少了正常目錄的抓取。 原因應該是入口減少了，正常目錄收錄需要后面再慢慢增加。 Google對robots.txt反應很到位，禁止目錄馬上消失了，部分正常目錄收錄馬上上升了。/comment/目錄收錄也下降了，還是受到了一些老目標減少的影響。 搜狗抓取呈現普遍增加的均勢，部分禁止目錄收錄下降了。 總結一下：Google似乎最懂站長的意思，百度等其它搜索引擎只是被動的受入口數量影響了。

淘寶封殺

2008年9月8日，淘寶網宣布封殺百度爬蟲，百度忍痛遵守爬蟲協議。因為一旦破壞協議，用戶的隱私和利益就無法得到保障，搜索網站就談不到人性關懷。

京東封殺

2011年10月25日，京東商城正式將一淘網的搜索爬蟲屏蔽，以防止一淘網對其的內容抓取。

8違反事例

BE違規抓取eBay

在 12年前，美國加州北部的聯邦地方法院就在著名的eBayVS. Bidder's Edge案中（NO.C-99-21200RMW,2000 U.S Dist. LEXI 7282），引用robots協議對案件進行裁定。 Bidder's Edge（簡稱BE）成立于1997年，是專門提供拍賣信息的聚合網站。12年前，BE利用“蜘蛛”抓取來自eBay等各個大型拍賣網站的商品信息，放在 自己的網站上供用戶瀏覽，并獲得可觀的網站流量。 對于eBay來說，來自BE蜘蛛每天超過十萬次的訪問，給自己的服務器帶來了巨大的壓力。而雖然eBay早已設置了 robots協議禁止BE蜘蛛的抓取，但BE卻無視這個要求——原因很簡單，據估算，BE網站69%的拍賣信息都來自eBay, 如果停止抓取eBay內容，這意味著BE將損失至少三分之一的用戶。 數次溝通交涉未果后，2000年2月，忍無可忍的eBay終于一紙訴狀，將BE告上聯邦法庭，要求禁止BE的違規抓取行為。3個月后，受理此案的美國聯邦法官Ronald M. Whyte在經過多方調查取證后做出裁定，認定BE侵權成立，禁止了BE在未經eBay允許的情況下，通過任何自動查詢程序、網絡蜘蛛等設置抓取eBay的拍賣內容。 在當時的庭審中，雙方爭議的焦點主要集中在“網站是否有權設置robots協議屏蔽其他網站蜘蛛的抓取”。被告BE 認為，eBay的網站內容屬于網民自創，因此是公共資源，eBay無權設立robots協議進行限制。然而，法院對這一說辭卻并不認同。在法官看 來：“eBay 的網站內容屬于私有財產，eBay有權通過robots協議對其進行限制。”違規抓取的行為無異于“對于動產的非法侵入”。 也正是出于這一判斷，即使當年BE還只是搜索了eBay計算機系統里的一小部分數據，其違反robots協議的抓取行為，仍然被判為侵犯了eBay將別人排除在其計算機系統以外的基本財產權。 作為美國歷史上第一個保護互聯網信息內容的法律裁定，eBay與BE的這起糾紛，成為網絡侵權案的標志性案例，并在 當時引發了美國互聯網產業乃至社會的廣泛討論。SearchEngine Watch的知名專欄作家DannySullivan 曾專門在文章中指出，robots協議是規范搜索引擎爬蟲行為的極少數約定之一，理應遵守，它不僅僅讓整個互聯網的開放性變成可能，最終也讓整個互聯網用 戶受益。

360搜索無視robots協議

2012年8月，360綜合搜索被指違反robots協議：

360甘冒行業道德風險 撕毀Robots自律協議

2012年8月29日，上線不到十日即輕松登上國內第二大搜索引擎寶座的奇虎360搜索遭遇滑鐵盧，在百度一項打擊違規抓取和匿名訪問的措施上線后，360搜索通過山寨加綁架用戶的模式被徹底揭穿，這個故事也正是對所謂“搜索引擎技術無用論”的當頭棒喝。 “360綜合搜索已超出Robots協議的‘底線’，不僅未經授權大量抓取百度、google內容，還記錄國內知名網游的后臺訂單、優惠碼等，甚至一些用戶的電子郵箱、帳號、密碼也被360通過瀏覽器悄然記錄在案”。2012年8月28日業內一位有10年搜索工程師經驗的專業人士表示。^[2] 奇虎360搜索8月16 日上線，已連續遭到業界“違規”的警告。不僅UI設計，搜索結果直接剽竊、篡改百度、google等搜索引擎，還不顧國際通行的Robots協議，抓取百 度、google等搜索引擎的內容，很多商業網站和個人信息的私密內容也被抓取泄密。據悉，這種匿名訪問和違規抓取其他網站內容的行為，不僅嚴重違反了行 業底線，也傷害到了用戶的體驗。在國外，這種行為甚至會受到法律方面的制裁。“這已經嚴重觸碰了Robots協議的底線!這些讓如百度這樣踏踏實實做技術 的公司進行反擊行動，是必然的!” 這位搜索工程師告訴記者，所謂Robots協議，通俗的講就是網站會通過robots.txt協議來自主控制是否愿 意被搜索引擎收錄，或者指定搜索引擎只收錄指定的內容。而搜索引擎會按照每個網站主給與自己的權限來進行抓取。這就好比，一個正常的人去到別人家里，需要 先敲門，得到許可以后才能進入客廳。除非有主人的進一步許可和邀請，否則你不能擅自進入內室，或者在別人家里四處溜達。當然，強盜或者小偷例外。^[3] 對于奇虎360綜合搜索被爆出無視國際通行的robots協議，抓取百度、Google等搜索引擎內容，導致眾多網 站出于安全和隱私考慮不允許搜索引擎抓取的內網信息被泄露一事，資深互聯網觀察家洪波指出，做搜索就要遵守搜索行業公認的游戲規則，無視規則，肆意違反規 則才是真正的不正當競爭，這種行為不能從法律和政府監管上及時制止，將引發行業大亂。 百度并沒有禁止所有爬蟲抓取問答、知道和貼吧的內容，百度只是禁止了不規矩的、存在潛在安全風險的爬蟲，這恰是保護 市場秩序，保護用戶隱私的合理舉措。2008年淘寶也曾禁止百度爬蟲，而百度則嚴格遵守robots協議，停止抓取淘寶網內容，并沒有以淘寶不正當競爭為 借口違反robots協議。 中國工程院院士高文：Robots協議是搜索引擎在抓取網站信息時要遵守的一個規則，是國際互聯網界通行的道德規 范。網站主人通過Robots協議明示自動抓取程序，服務器上什么內容可以被抓取，什么內容不可以被抓取。這是保證互聯網行業健康發展的自律準則，盡管不 是強制命令，但業界都應該遵守。中國互聯網企業要想在國際舞臺受到更多關注、得到更大的發展，沒有理由不遵守這個游戲規則。如果不遵守，不僅損害了違規企業自身的形象，也損害了中國互聯網行業的整體聲譽，得不償失。 浙江大學計算機學院院長莊越挺：互聯網網站頁面，如同廣闊農村中的一個菜園，各有其主。一般而言，訪客進去逛逛無可 厚非，但是如果主人在邊界立下界碑：未經允許不得入內，這就意味著主人的意愿成為外界是否獲準入園參觀的標準。Robots協議就是這樣一塊界碑，它雖然 不具法律效應，但是人們都普遍遵循。未經允許入園就參觀不僅違反了游戲規則，也有違道德標準。同樣的道理，違反Robots協議，等同于違背了搜索引擎的 行業規范，以這種方式獲取資源是一種不道德的競爭。 哈爾濱工業大學教 授劉挺：Robots協議是互聯網中網站為搜索引擎所制定的內容抓取規則，體現了業界同行之間的相互信任。如果不遵循Robots協議，將會破其業界信 任，使得網站的內容不愿意被抓取的內容被搜索引擎索引，最終傷害用戶的利益。而清華大學計算機系教授馬少平則指出，如果不遵守Robots協議，肆意抓取 網站的內容，網站的信息被任意泄漏，將對互聯網的良性發展產生巨大的破壞作用。

百度起訴360

百 度訴奇虎360違反“Robots協議”抓取、復制其網站內容侵權一案，2013年10月16日上午在北京市第一中級人民法院開庭審理。百度方面認 為，360搜索在未獲得百度公司允許的情況下，違反業內公認的Robots協議，抓取百度旗下百度知道、百度百科、百度貼吧等網站的內容，已經構成了不正 當競爭，并向奇虎索賠1億元。 百度公關部郭彪向媒體表示，Robots協議是網站信息和網民隱私保護的國際通行規范之一，理應得到全球互聯網公司的共同遵守。不尊重Robots協議將可能導致網民隱私大規模泄露。 郭彪表示，更嚴重的是，奇虎360還利用360瀏覽器等客戶端，強行抓取網民的瀏覽數據和信息到搜索服務器，完全無 視Robots協議。這一做法目前已經導致大量企業內網信息被泄露。2012年年底，百度工程師通過一個名為“鬼節捉鬼”的測試，證明了360瀏覽器存在 私自上傳“孤島頁面”等隱私內容到360搜索的行為。

360方面則認為，360搜索索引這些內容頁面并不涉嫌侵犯百度的權益，實際上還為百度帶來了大量的用戶和流量，百度應該感謝360。 ^[2]

轉載于:https://www.cnblogs.com/xust/articles/3436828.html

總結

以上是生活随笔為你收集整理的什么是Robtos.txt 协议？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。