robots.txt文件解读

robots.txt

搜索引擎搜索网站根目录,或者是写网络爬虫,都应该有了解到robots.txt文件.

 

那么这个文件有什么用呢?下面我们给出它的定义及用途:

 

引用自:维基百科，自由的百科全书

 

robots.txt（统一小写）是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络搜索引擎的漫游器（又称网络蜘蛛），此网站中的哪些内容是不能被搜索引擎的漫游器获取的，哪些是可以被（漫游器）获取的。 因为一些系统中的URL是大小写敏感的，所以robots.txt的文件名应统一为小写。robots.txt应放置于网站的根目录下。如果想单独定义搜索引擎的漫游器访问子目录时的行为，那么可以将自定的设置合并到根目录下的robots.txt，或者使用robots元数据。

Robots.txt协议并不是一个规范，而只是约定俗成的，所以并不能保证网站的隐私。注意Robots.txt是用字符串比较来确定是否获取URL，所以目录末尾有和没有斜杠“／”这两种表示是不同的URL，也不能用"Disallow: *.gif"这样的通配符。

例子:其他的影响搜索引擎的行为的方法包括使用robots元数据：

 

<meta name="robots" content="noindex,nofollow" />

 

例子:

 

让所有机器人访问所有文件，因为通配符"*"代表所有机器人：

User-agent: *
Disallow:
拦截所有的机器人：

User-agent: *
Disallow: /
禁止所有机器人访问特定目录：

User-agent: *
Disallow: /cgi-bin/
Disallow: /images/
Disallow: /tmp/
Disallow: /private/
仅禁止坏爬虫访问特定目录（BadBot用真实的名字代替）：

User-agent: BadBot
Disallow: /private/

 

PS:

虽然robots.txt的是老的和更为广泛接受的方法，还有其他的（可以用来连同robots.txt一起使用），允许更大的控制权，如只禁止索引图象和禁用归档页的内容。

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＜head＞＜/head＞中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。

<meta name="robots" content="noindex,nofollow" />