解析robots.txt的正确使用方法

	网友eleven俊问： 　　1.robots.txt这个Disallow:后面一半怎么写(请举例说明各种情况，越多越好) 　　2.robots.txt怎么指明某个东西的未知，比如：网站地图(请将具体的代码写好) 　　3.robots.txt在根目录下怎么看?根目录在管理后台(发布跟新文章地方)就可以看，看是空间放源代码文件得地方，这个我分不清楚，求教? 　　4.robots还拿哪些问题比较重要的，请写下，感谢! 　　大伟的回复： 　　robots.txt是在网站空间根目录里面。 给楼主提供一篇文章看看： 　　网站能不能被搜索引擎索引到，除了看有没有向搜索引擎入口提交、有否与其他站点交换链接等之外，还得看根目录底下的robots.txt文件有没有禁止搜索引擎的收录，这里摘录一些关于robots.txt文件的写法备忘。 　　什么是robots.txt文件 　　搜索引擎通过一种爬虫spider程序(又称搜索蜘蛛、robot、搜索机器人等)，自动搜集互联网上的网页并获取相关信息。 　　鉴于网络安全与隐私的考虑，搜索引擎遵循robots.txt协议。通过在根目录中创建的纯文本文件robots.txt，网站可以声明不想被robots访问的部分。每个网站都可以自主控制网站是否愿意被搜索引擎收录，或者指定搜索引擎只收录指定的内容。当一个搜索引擎的爬虫访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果该文件不存在，那么爬虫就沿着链接抓取，如果存在，爬虫就会按照该文件中的内容来确定访问的范围。 　　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文件的写法 　　robots.txt文件的格式 　　User-agent: 定义搜索引擎的类型 　　Disallow: 定义禁止搜索引擎收录的地址 　　Allow: 定义允许搜索引擎收录的地址 　　我们常用的搜索引擎类型有： 　　google蜘蛛：googlebot 　　百度蜘蛛：baiduspider 　　yahoo蜘蛛：slurp 　　alexa蜘蛛：ia_archiver 　　msn蜘蛛：msnbot 　　altavista蜘蛛：scooter 　　lycos蜘蛛：lycos_spider_(t-rex) 　　alltheweb蜘蛛：fast-webcrawler 　　inktomi蜘蛛： slurp 　　robots.txt文件的写法 　　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: /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整个目录 　　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的动态页面 　　Disallow: .jpg$ 禁止抓取网页所有的.jpg格式的图片 　　Disallow:/ab/adc.html 禁止爬寻ab文件夹下面的adc.html所有文件 　　User-agent: * 　　这里的*代表的所有的搜索引擎种类，*是一个通配符 　　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 　　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 　　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: * 　　Disallow: 　　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 　　Disallow: 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/ 　　Robots特殊参数： 　　允许 Googlebot： 　　如果您要拦截除 Googlebot 以外的所有漫游器访问您的网页，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 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。 　　需要注意的是：上述的robots.txt和Robots Meta标签限制搜索引擎机器人(ROBOTS)抓取站点内容的办法只是一种规则，需要搜索引擎机器人的配合才行，并不是每个ROBOTS都遵守的。 　　目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于RobotsMETA标签，目前支持的并不多，但是正在逐渐增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE还增加了一个指令“archive”，可以限制GOOGLE是否保留网页快照。 　　Sitemap 网站地图 　　对网站地图的新的支持方式，就是在robots.txt文件里直接包括sitemap文件的链接。就像这样：Sitemap:http://www.********.cn/sitemap.xml 　　目前对此表示支持的搜索引擎公司有Google, Yahoo和MSN。不过，大伟建议还是在Google Sitemap进行提交，里面有很多功能可以分析你的链接状态。

ＣooL．泪猪说：