教你robots文件使用方法屏蔽搜索抓取方法

搜索引擎通过一种程序robot（又称spider），自动访问互联网上的网页并获取网页信息。

您可以在您的网站中创建一个纯文本文件robots.txt，在这个文件中声明该网站中不想被robot访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。robots.txt文件应该放在网站根目录下。

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。

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会受到该协议的限制，对该文件来说，至少要有一条User- agent记录。如果该项的值设为*，则该协议对任何机器人均有效，在”robots.txt”文件中，”User-agent：*”这样的记录只能有一条。

Disallow：

该项的值用于描述不希望被访问到的一个URL，这个URL可以是一条完整的路径，也可以是部分的，任何以Disallow开头的URL均不会被 robot 访问到。例如”Disallow:/help”对/help.html 和/help/index.html都不允许搜索引擎访问，而”Disallow:/help/”则允许robot访问/help.html，而不能访问 /help/index.html。任何一条Disallow记录为空，说明该网站的所有部分都允许被访问，在”/robots.txt”文件中，至少要有一条Disallow记录。如果”/robots.txt”是一个空文件，则对于所有的搜索引擎robot，该网站都是开放的。

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 下载该robots.txt文件 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” file） User-agent： *Disallow：

例3. 禁止某个搜索引擎的访问 User-agent： BadBotDisallow： /

例4. 允许某个搜索引擎的访问 User-agent： baiduspiderDisallow： User-agent： *Disallow： /

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/