robots.txt

robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。
　　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。
　　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。 　　语法：最简单的 robots.txt
文件使用两条规则： 　　· User-Agent: 适用下列规则的漫游器 　　· Disallow: 要拦截的网页

robots.txt在SEO中作用

　　在进行网站优化的时候，经常会使用robots文件把一些内容不想让蜘蛛抓取，以前写过一篇网站优化robots.txt文件的运用,
现在写这编文章在补充一点点知识！什么是robots.txt文件
　　搜索引擎通过一种爬虫spider程序（又称搜索蜘蛛、robot、搜索机器人等），自动搜集互联网上的网页并获取相关信息。
　　鉴于网络安全与隐私的考虑，搜索引擎遵循robots.txt协议。通过根目录中创建的纯文本文件robots.txt，网站可以声明不想被robots访问的部分。每个网站都可以自主控制网站是否愿意被搜索引擎收录，或者指定搜索引擎只收录指定的内容。当一个搜索引擎的爬虫访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果该文件不存在，那么爬虫就沿着链接抓取，如果存在，爬虫就会按照该文件中的内容来确定访问的范围。
　　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。robots.txt文件的格式
　　User-agent: 定义搜索引擎的类型 　　Disallow: 定义禁止搜索引擎收录的地址 　　Allow:
定义允许搜索引擎收录的地址 　　我们常用的搜索引擎类型有： (User-agent区分大小写)
　　google蜘蛛：Googlebot 　　百度蜘蛛：Baiduspider 　　yahoo蜘蛛：Yahoo!slurp
　　alexa蜘蛛：ia_archiver 　　bing蜘蛛：MSNbot 　　altavista蜘蛛：scooter
　　lycos蜘蛛：lycos_spider_(t-rex) 　　alltheweb蜘蛛：fast-webcrawler
　　inktomi蜘蛛： slurp 　　Soso蜘蛛:Sosospider 　　Google
Adsense蜘蛛:Mediapartners-Google 　　有道蜘蛛:YoudaoBot

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
　　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。

编辑本段robots.txt使用误区

　　特别提示：robots里面内容的大小写不可更改，Disallow后面的冒号必须为英文状态的。

误区一

　　网站上所有的文件都需要被蜘蛛抓取，那就没必要添加robots.txt文件了。反正如果该文件不存在，所有的搜索蜘蛛将默认能够访问网站上所有没有被口令保护的页面。

误区二

　　在robots.txt文件中设置所有的文件都可以被搜索蜘蛛抓取，这样可以增加网站的收录率。
　　网站中的脚本程序、样式表等文件即使被蜘蛛收录，也不会增加网站的收录率，还只会占用服务器存储空间。因此必须在robots.txt文件里设置不要让搜索蜘蛛索引脚本程序、样式表等文件，具体哪些文件需要排除，在robots.txt使用技巧一文中有详细介绍。

误区三

　　搜索蜘蛛抓取网页太浪费服务器资源，在robots.txt文件中设置所有的搜索蜘蛛都不能抓取全部的网页。
　　如果这样的话，会导致整个网站不能被搜索引擎收录。

编辑本段robots.txt使用技巧

文件

　　1.
每当用户试图访问某个不存在的URL时，服务器都会在日志中记录404错误（无法找到文件）。每当搜索蜘蛛来寻找并不存在的robots.txt文件时，服务器也将在日志中记录一条404错误，所以你应该在网站中添加一个robots.txt。
　　2.
网站管理员必须使蜘蛛程序远离某些服务器上的目录——保证服务器性能。比如：大多数网站服务器都有程序储存在“cgi-bin”目录下，因此在robots.txt文件中加入“Disallow:
/cgi-bin/”是个好主意，这样能够避免将所有程序文件被蜘蛛索引，可以节省服务器资源。一般网站中不需要蜘蛛抓取的文件有：后台管理文件、程序脚本、附件、数据库文件、编码文件、样式表文件、模板文件、导航图片和背景图片等等。
　　下面是VeryCMS里的robots.txt文件： 　　User-agent: * 　　Disallow: /admin/
后台管理文件 　　Disallow: /require/ 程序文件 　　Disallow: /attachment/ 附件
　　Disallow: /images/ 图片 　　Disallow: /data/ 数据库文件 　　Disallow:
/template/ 模板文件 　　Disallow: /css/ 样式表文件 　　Disallow: /lang/ 编码文件
　　Disallow: /script/ 脚本文件 　　3.
如果你的网站是动态网页，并且你为这些动态网页创建了静态副本，以供搜索蜘蛛更容易抓取。那么你需要在robots.txt文件里设置避免动态网页被蜘蛛索引，以保证这些网页不会被视为含重复内容。
　　4. robots.txt文件里还可以直接包括在sitemap文件的链接。就像这样： 　　Sitemap: http://www.***.com/sitemap.xml
　　(此处请填写XML地图的绝对路径，即完整URL，如果按习惯填写Sitemap:
/sitemap.xml，提交后会提示：检测到无效的 Sitemap 网址；语法错误。 　　XML地图必须在网站根目录下才有效。)
　　目前对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，显然不在这个圈子内。这样做的好处是，站长不用到每个搜索引擎的站长工具或者相似的站长部分，去提交自己的sitemap文件，搜索引擎的蜘蛛自己就会抓取robots.txt文件，读取其中的sitemap路径，接着抓取其中相链接的网页。
　　5.
合理使用robots.txt文件还能避免访问时出错。比如，不能让搜索者直接进入购物车页面。因为没有理由使购物车被收录，所以你可以在robots.txt文件里设置来阻止搜索者直接进入购物车页面。

robots.txt文件的格式

　　"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），每一条记录的格式如下所示：
　　"<field>:<optionalspace><value><optionalspace>"。
　　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和Allow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"robots.txt"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*，则对任何robot均有效，在"robots.txt"文件中，"User-agent:*"这样的记录只能有一条。如果在"robots.txt"文件中，加入"User-agent:SomeBot"和若干Disallow、Allow行，那么名为"SomeBot"只受到"User-agent:SomeBot"后面的Disallow和Allow行的限制。
　　Disallow:
　　该项的值用于描述不希望被访问的一组URL，这个值可以是一条完整的路径，也可以是路径的非空前缀，以Disallow项的值开头的URL不会被robot访问。例如"Disallow:/help"禁止robot访问/help.html、/helpabc.html、/help/index.html，而"Disallow:/help/"则允许robot访问/help.html、/helpabc.html，不能访问/help/index.html。"Disallow:"说明允许robot访问该网站的所有url，在"/robots.txt"文件中，至少要有一条Disallow记录。如果"/robots.txt"不存在或者为空文件，则对于所有的搜索引擎robot，该网站都是开放的。
　　Allow:
　　该项的值用于描述希望被访问的一组URL，与Disallow项相似，这个值可以是一条完整的路径，也可以是路径的前缀，以Allow项的值开头的URL是允许robot访问的。例如"Allow:/hibaidu"允许robot访问/hibaidu.htm、/hibaiducom.html、/hibaidu/com.html。一个网站的所有URL默认是Allow的，所以Allow通常与Disallow搭配使用，实现允许访问一部分网页同时禁止访问其它所有URL的功能。
　　需要特别注意的是Disallow与Allow行的顺序是有意义的，robot会根据第一个匹配成功的Allow或Disallow行确定是否访问某个URL。
　　使用"*"和"$"： 　　Baiduspider支持使用通配符"*"和"$"来模糊匹配url。 　　"$" 匹配行结束符。
　　"*" 匹配0或多个任意字符。

robots.txt文件字符编码

　　robots.txt使用什么字符编码，并没有相关规定，都是各搜索引擎自已定义的。虽然google和其它搜索引擎建议大家使用
utf-8 字符编码格式的robots.txt，但几乎所有的搜索引擎都支持 ANSI 编码格式，而google自已对 utf-8
编码格式的robots.txt，会出现首字乱码。所以为了达到最大的兼容性，建议大家使用 ANSI 格式编码，或者使用 utf-8
编码格式，但需要空出首行。 　　还有一个建议就是robots.txt中最好不要出现中文，即使是注释也要使用英文。

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: /

例2.允许所有的robot访问

(或者也可以建一个空文件 "/robots.txt") 第1种写法

User-agent: *

Allow: /

第2种写法

User-agent: *

Allow:

第3种写法

User-agent: *

Disallow:

例3. 仅禁止Baiduspider访问您的网站 User-agent: Baiduspider

Disallow: /

例4. 仅允许Baiduspider访问您的网站 User-agent: Baiduspider

Allow: /

例5. 禁止spider访问特定目录

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robot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，而不能写成
"Disallow: /cgi-bin/ /tmp/"。 User-agent: *

Disallow: /cgi-bin/

Disallow: /tmp/

Disallow: /~joe/

例6. 允许访问特定目录中的部分url User-agent: *

Allow: /cgi-bin/see

Allow: /tmp/hi

Allow: /~joe/look

例7. 使用"*"限制访问url

禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。 User-agent: *

Disallow: /cgi-bin/*.htm

例8. 使用"$"限制访问url

仅允许访问以".htm"为后缀的URL。 User-agent: *

Allow: / .htm$

例9. 禁止访问网站中所有的动态页面 User-agent: *

Disallow: /*?*

例10. 禁止Baiduspider抓取网站上所有图片

仅允许抓取网页，禁止抓取任何图片。 User-agent: Baiduspider

Disallow: /*.jpg$

Disallow: /* .jpeg$

Disallow: /* .gif$

Disallow: /* .png$

Disallow: /*.bmp$

例11. 仅允许Baiduspider抓取网页和。gif格式图片

允许抓取网页和gif格式图片，不允许抓取其他格式图片 User-agent: Baiduspider

Allow: .gif$

Disallow: /.jpg$

Disallow: / .jpeg$

Disallow: / .png$

Disallow: /.bmp$

例12. 仅禁止Baiduspider抓取。jpg格式图片 User-agent: /Baiduspider

Disallow: /.jpg$

百度各个产品使用不同的user-agent： 　　​ ​

无线搜索 Baiduspider-mobile

图片搜索 Baiduspider-image

视频搜索 Baiduspider-video

新闻搜索 Baiduspider-news

百度搜藏 Baiduspider-favo

百度联盟 Baiduspider-cpro

商务搜索 Baiduspider-ads

网页以及其他搜索 Baiduspider