robots.txt基本介绍

      robots.txt是一个纯文本文件，在这个文件中网站管理者可以声明该网站中不想被robots访问的部分，或者指定搜索引擎只收录指定的内容。

      当一个搜索机器人（有的叫搜索蜘蛛）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，那么搜索机器人就沿着链接抓取。

      另外，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写作语法

      首先，我们来看一个robots.txt范例：

      # Robots.txt file from http://www.aaa.com 
      # All robots will spider the domain

      User-agent: * 
      Disallow:

      以上文本表达的意思是允许所有的搜索机器人访问www.aaa.com站点下的所有文件。

      具体语法分析：其中#后面文字为说明信息；User-agent:后面为搜索机器人的名称，后面如果是*，则泛指所有的搜索机器人；Disallow:后面为不允许访问的文件目录。

      下面，列举一些robots.txt的具体用法：

      允许所有的robot访问

      User-agent: * 
      Disallow:

      或者也可以建一个空文件 “/robots.txt” file

      禁止所有搜索引擎访问网站的任何部分

      User-agent: * 
      Disallow: /

      禁止所有搜索引擎访问网站的几个部分（下例中的01、02、03目录）

      User-agent: * 
      Disallow: /01/ 
      Disallow: /02/ 
      Disallow: /03/

      禁止某个搜索引擎的访问（下例中的BadBot）

      User-agent: BadBot 
      Disallow: /

      只允许某个搜索引擎的访问（下例中的Crawler）

      User-agent: Crawler 
      Disallow:

      User-agent: * 
      Disallow: /

      另外，有必要进行拓展说明，对robots meta进行一些介绍：

      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标签也是放在页面的＜head＞＜/head＞中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。

      Robots META标签的写法：

      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。

      这样，一共有四种组合：

以下是引用片段： ＜META NAME=”ROBOTS” CONTENT=”INDEX,FOLLOW”＞  ＜META NAME=”ROBOTS” CONTENT=”NOINDEX,FOLLOW”＞  ＜META NAME=”ROBOTS” CONTENT=”INDEX,NOFOLLOW”＞  ＜META NAME=”ROBOTS” CONTENT=”NOINDEX,NOFOLLOW”＞

      其中

以下是引用片段： ＜META NAME=”googlebot” CONTENT=”index,follow,noarchive”＞