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”(RobotsExclusionProtocol),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。
 
robots.txt文件是一个文本文件,使用任何一个常见的文本编辑器,比如Windows系统自带的Notepad,就可以创建和编辑它[1]。robots.txt是一个协议,而不是一个命令。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。百度官方建议,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。
 
如果将网站视为酒店里的一个房间,robots.txt就是主人在房间门口悬挂的“请勿打扰”或“欢迎打扫”的提示牌。这个文件告诉来访的搜索引擎哪些房间可以进入和参观,哪些房间因为存放贵重物品,或可能涉及住户及访客的隐私而不对搜索引擎开放。但robots.txt不是命令,也不是防火墙,如同守门人无法阻止窃贼等恶意闯入者。
 
原则
 
robots协议原理
 
robots协议原理
 
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。
功能
 
Robots协议用来告知搜索引擎哪些页面能被抓取,哪些页面不能被抓取;可以屏蔽一些网站中比较大的文件,如:图片,音乐,视频等,节省服务器带宽;可以屏蔽站点的一些死链接。方便搜索引擎抓取网站内容;设置网站地图连接,方便引导蜘蛛爬取页面。
 
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
文件用法
 
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“anyrobot”,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/
 
Robot特殊参数:
 
允许Googlebot:
 
如果您要拦截除Googlebot以外的所有漫游器不能访问您的网页,可以使用下列语法:
 
User-agent:
 
Disallow:/
 
User-agent:Googlebot
 
Disallow:
 
Googlebot跟随指向它自己的行,而不是指向所有漫游器的行。
 
“Allow”扩展名:
 
Googlebot可识别称为“Allow”的robots.txt标准扩展名。其他搜索引擎的漫游器可能无法识别此扩展名,因此请使用您感兴趣的其他搜索引擎进行查找。“Allow”行的作用原理完全与“Disallow”行一样。只需列出您要允许的目录或页面即可。
 
您也可以同时使用“Disallow”和“Allow”。例如,要拦截子目录中某个页面之外的其他所有页面,可以使用下列条目
 
User-agent:Googlebot
 
Allow:/folder1/myfile.html
 
Disallow:/folder1/
 
这些条目将拦截folder1目录内除myfile.html之外的所有页面。
 
如果您要拦截Googlebot并允许Google的另一个漫游器(如Googlebot-Mobile),可使用”Allow”规则允许该漫游器的访问。例如:
 
User-agent:Googlebot
 
Disallow:/
 
User-agent:Googlebot-Mobile
 
Allow:
 
使用*号匹配字符序列:
 
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*/
 
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:/*?
 
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)。
 
尽管robots.txt已经存在很多年了,但是各大搜索引擎对它的解读都有细微差别。Google与百度都分别在自己的站长工具中提供了robots工具。如果您编写了robots.txt文件,建议您在这两个工具中都进行测试,因为这两者的解析实现确实有细微差别