搜索引擎通過一種程序robot（又稱spider），自動(dòng)訪問互聯(lián)網(wǎng)上的網(wǎng)頁(yè)并獲取網(wǎng)頁(yè)信 息。您可以在您的網(wǎng)站中創(chuàng)建一個(gè)純文本文件robots.txt，在這個(gè)文件中聲明該網(wǎng)站中不想被robot 訪問的部分，這樣，該網(wǎng)站的部分或全部?jī)?nèi)容就可以不被搜索引擎收錄了，或者指定搜 索引擎只收錄指定的內(nèi)容。

目錄

1文件位置

2文件格式

3主要作用

4一般屏蔽

5使用技巧

1文件位置編輯

robots.txt文件應(yīng)該放在網(wǎng)站根目錄下。舉例來說，當(dāng)搜索引擎^[1]訪問一個(gè)網(wǎng)站時(shí)，首先會(huì)檢查該網(wǎng)站中是否存在robots.txt這個(gè)文件，如果robots機(jī)器人程序找到這個(gè)文件，它就會(huì)根據(jù)這個(gè)文件的內(nèi)容，來確定它訪問權(quán)限的范圍。 wordpress的robots文件位置 沒在wordpress網(wǎng)站根節(jié)目上傳過robots.txt,當(dāng)搜尋引擎和用戶拜訪某個(gè)文件時(shí)，wordpress程序會(huì)主動(dòng)生成一個(gè)robots.txt給搜尋引擎和用戶;若是我們上傳編寫的robots.txt到網(wǎng)站根節(jié)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(huì)再產(chǎn)生那個(gè)文件了。只有服務(wù)器找不到robots的時(shí)候wordpress才會(huì)生成這個(gè)文件。

2文件格式編輯

“robots.txt”文件包含一條或多條記錄，這些記錄通過空行分開（以CR、CR/NL、or NL作為結(jié)束符），每一條記錄的格式如下所示： “<field>:<optionalspace><value><optionalspace>” 在該文件中可以使用#進(jìn)行注釋，具體使用方法和UNIX中的慣例一樣。該文件中的記錄通常以一行或多行User-agent開始，后面加上若干Disallow行，詳細(xì)情況如下： User-agent： 該項(xiàng)的值用于描述搜索引擎機(jī)器人robot的名字。在“robots.txt”文件中，如果有多條 User-agent記錄，說明有多個(gè)robot會(huì)受到該協(xié)議的約束。所以，“robots.txt”文件中至少要有一條User- agent記錄。如果該項(xiàng)的值設(shè)為*（通配符），則該協(xié)議對(duì)任何搜索引擎機(jī)器人均有效。在“robots.txt”文件 中，“User-agent：*”這樣的記錄只能有一條。 Disallow： 該項(xiàng)的值用于描述不希望被訪問到的一個(gè)URL，這個(gè)URL可以是一條完整的路徑，也可以 是部分的，任何以Disallow開頭的URL均不會(huì)被robot訪問到。例如： “Disallow: /help”對(duì)/help.html 和/help/index.html都不允許搜索引擎訪問， 而“Disallow: /help/”則允許robot訪問/help.html，而不能訪問/help/index.html。 任何一條Disallow記錄為空，說明該網(wǎng)站的所有部分都允許被訪問，在 “/robots.txt”文件中，至少要有一條Disallow記錄。如果“/robots.txt”是一個(gè)空文 件，則對(duì)于所有的搜索引擎robot，該網(wǎng)站都是開放的。

3主要作用編輯

有些人會(huì)問，既然robots文件沒弄好，或出錯(cuò)了，會(huì)影響整個(gè)網(wǎng)站的收錄，那為什么還要這個(gè)文件呢？ 其實(shí)robots是為有特別情況的站長(zhǎng)準(zhǔn)備的，因?yàn)橛行┚W(wǎng)站，有一些頁(yè)面是站長(zhǎng)不想被任何搜索引擎收錄的，所以才有了這個(gè)robots文件。 robots.txt文件用法舉例： 例1、禁止所有搜索引擎訪問網(wǎng)站的任何部分 User-agent: * Disallow: / 例2、允許所有的robot訪問 User-agent: * Disallow: （或者也可以建一個(gè)空文件 "/robots.txt" file） 例3、禁止某個(gè)搜索引擎的訪問 User-agent: BadBot Disallow: / 例4、允許某個(gè)搜索引擎的訪問 User-agent: Baiduspider Disallow: User-agent: * Disallow: / 例5、假設(shè)某個(gè)網(wǎng)站有三個(gè)目錄對(duì)搜索引擎的訪問做了限制，可以這么寫： User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /joe/ 需要注意的是，對(duì)每一個(gè)目錄必須分開聲明，而不要寫成：“Disallow: /cgi-bin/ /tmp/”。 User-agent：后的*（通配符） 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(xiàn)。 另外，robots.txt主要作用是保障網(wǎng)絡(luò)安全與網(wǎng)站隱私，百度蜘蛛遵循robots.txt協(xié)議。通過根目錄中創(chuàng)建的純文本文件robots.txt，網(wǎng)站就可以聲明哪些頁(yè)面不想被百度蜘蛛爬行并收錄，每個(gè)網(wǎng)站都可以自主控制網(wǎng)站是否愿意被百度蜘蛛收錄，或者指定百度蜘蛛只收錄指定的內(nèi)容。當(dāng)百度蜘蛛訪問某個(gè)站點(diǎn)時(shí)，它會(huì)首先檢查該站點(diǎn)根目錄下是否存在robots.txt，如果該文件不存在，那么爬蟲就沿著鏈接抓取，如果存在，爬蟲就會(huì)按照該文件中的內(nèi)容來確定訪問的范圍。

4一般屏蔽編輯

屏蔽隱私頁(yè)面，后臺(tái)登陸頁(yè)面，緩存頁(yè)面，圖片目錄，css目錄，模板頁(yè)面，屏蔽雙頁(yè)面的內(nèi)容，同時(shí)可以屏蔽一些質(zhì)量比較差的頁(yè)面，例如金網(wǎng)的所有會(huì)員用戶空間頁(yè)面，dz的動(dòng)態(tài)鏈接也可以設(shè)置屏蔽。通過Disallow：命令來進(jìn)行設(shè)置。

5使用技巧編輯

每當(dāng)用戶試圖訪問某個(gè)不存在的URL時(shí)，服務(wù)器都會(huì)在日志中記錄404錯(cuò)誤（無法找到文件）。每當(dāng)搜索蜘蛛來尋找并不存在的robots.txt文件時(shí)，服務(wù)器也將在日志中記錄一條404錯(cuò)誤，所以你應(yīng)該在網(wǎng)站中添加一個(gè)robots.txt。 網(wǎng)站管理員必須使搜索引擎機(jī)器人程序遠(yuǎn)離服務(wù)器上的某些目錄，以保證服務(wù)器性能。比如：大多數(shù)網(wǎng)站服務(wù)器都有程序儲(chǔ)存在“cgi-bin”目錄下，因此在robots.txt文件中加入“Disallow: /cgi-bin”是個(gè)好主意，這樣能夠避免所有程序文件都被蜘蛛索引，以達(dá)到節(jié)省服務(wù)器資源的效果。 一般網(wǎng)站中不需要蜘蛛抓取的文件有：后臺(tái)管理文件、程序腳本、附件、數(shù)據(jù)庫(kù)文件、編碼文件、樣式表文件、模板文件、導(dǎo)航圖片和背景圖片等等。 下面是VeryCMS里的robots.txt文件： User-agent: * Disallow: /admin/ 后臺(tái)管理文件 Disallow: /require/程序文件 Disallow: /attachment/ 附件 Disallow: /images/ 圖片 Disallow: /data/數(shù)據(jù)庫(kù)文件 Disallow: /template/ 模板文件 Disallow: /css/ 樣式表文件 Disallow: /lang/ 編碼文件 Disallow: /script/腳本文件 Disallow: /js/js文件 如果你的網(wǎng)站是動(dòng)態(tài)網(wǎng)頁(yè)，并且你為這些動(dòng)態(tài)網(wǎng)頁(yè)創(chuàng)建了靜態(tài)副本，以供搜索蜘蛛更容易抓取。那么你需要在robots.txt文件里設(shè)置避免動(dòng)態(tài)網(wǎng)頁(yè)被蜘蛛索引，以保證這些網(wǎng)頁(yè)不會(huì)被視為是網(wǎng)站重復(fù)的內(nèi)容。 robots.txt文件里還可以直接包括在sitemap文件的鏈接。就像這樣： Sitemap: http://www.***.com/sitemap.xml 目 前對(duì)此表示支持的搜索引擎公司有Google, Yahoo, Ask and MSN。而中文搜索引擎公司，顯然不在這個(gè)圈子內(nèi)。這樣做的好處就是，站長(zhǎng)不用到每個(gè)搜索引擎的站長(zhǎng)工具或者相似的站長(zhǎng)部分，去提交自己的sitemap文件，搜索引擎的蜘蛛自己就會(huì)抓取robots.txt文件，讀取其中的sitemap路徑，接著抓取其中相鏈接的網(wǎng)頁(yè)。 合理使用robots.txt文件還能避免訪問時(shí)出錯(cuò)。比如，不能讓搜索者直接進(jìn)入購(gòu)物車頁(yè)面。因?yàn)闆]有理由使購(gòu)物車被收錄，所以你可以在robots.txt文件里設(shè)置來阻止搜索者直接進(jìn)入購(gòu)物車頁(yè)面。

總結(jié)

以上是生活随笔為你收集整理的robot.txt 搜索引擎 蜘蛛爬虫 搜索规则的全部?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。