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”(Robots Exclusion Protocol),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。
User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个[通配符](https://baike.baidu.com/item/%E9%80%9A%E9%85%8D%E7%AC%A6)
Disallow: /admin/ 这里定义是禁止爬寻[admin](https://baike.baidu.com/item/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](https://baike.baidu.com/item/%E7%9B%AE%E5%BD%95)
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](https://baike.baidu.com/item/%E5%AD%90%E7%9B%AE%E5%BD%95))。
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](https://baike.baidu.com/item/%E5%9B%BE%E7%89%87)
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
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](https://baike.baidu.com/item/%E6%B7%98%E5%AE%9D%E7%BD%91)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](https://baike.baidu.com/item/%E6%9C%BA%E5%99%A8%E4%BA%BA)访问其网站下其所有的目录。
例2\. 允许所有的[robot](https://baike.baidu.com/item/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](https://baike.baidu.com/item/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](https://baike.baidu.com/item/%E5%AD%90%E7%9B%AE%E5%BD%95)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:
生成 Robots 协议 http://tool.chinaz.com/robots/