robots.txt语法规则及其使用技巧

robots.txt是搜索引擎中访问网站时访问的第一个文件。robots.txt文件提示蜘蛛在服务器上什么文件网页是可以被访问的，什么文件网页不是能被访问的。

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robots meta标签口令保护的页面。

· User-Agent: 适用下列规则的漫游器

· Disallow: 要拦截的网页

我们常用的搜索引擎类型有：

robots.txt文件的写法

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: /

　　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/

　　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

　　Disallow:/folder1/

　　Allow:/folder1/myfile.html

　　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:/*?

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

robots.txt使用技巧

　　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.fanhefan.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。这样做的好处就是，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。