细说robots.txt

robots.txt

Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。

简介

robots.txt是一个协议，而不是一个命令，只是一个简简单单的txt文件。

但是：

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。

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。

原则

Robots协议是国际互联网界通行的道德规范，基于以下原则建立：

1、搜索技术应服务于人类，同时尊重信息提供者的意愿，并维护其隐私权；

2、网站有义务保护其使用者的个人信息和隐私不被侵犯。

 

文件写法

 

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包含问号 (?) 的网址

Disallow: /.jpg$ 禁止抓取网页所有的.jpg格式的图片

Disallow:/ab/adc.html 禁止爬取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

Sitemap: 网站地图 告诉爬虫这个页面是网站地图

 参数详细

* 

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*/

 $

 $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$

 用法示例

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/

实际例子：

淘宝：

User-agent: Baiduspider
Disallow: /

User-agent: baiduspider
Disallow: /

 京东：

User-agent: *             
Disallow: /?*     
Disallow: /pop/*.html  
Disallow: /pinpai/*.html?*      
User-agent: EtaoSpider   
Disallow: /   

 

新浪微博

Sitemap: http://weibo.com/sitemap.xml 
User-Agent: Baiduspider Allow: / 
User-agent: 360Spider Allow: / 
User-agent: Googlebot Allow: /

 

转载于:https://www.cnblogs.com/qwj-sysu/p/3876699.html