在國內(nèi)，網(wǎng)站管理者似乎對(duì)robots.txt并沒有引起多大重視，應(yīng)一些朋友之請(qǐng)求，今天想通過這篇文章來簡(jiǎn)單談一下robots.txt的寫作。


 


robots.txt基本介紹


robots.txt是一個(gè)純文本文件，在這個(gè)文件中網(wǎng)站管理者可以聲明該網(wǎng)站中不想被robots訪問的部分，或者指定搜索引擎只收錄指定的內(nèi)容。


當(dāng)一個(gè)搜索機(jī)器人（有的叫搜索蜘蛛）訪問一個(gè)站點(diǎn)時(shí)，它會(huì)首先檢查該站點(diǎn)根目錄下是否存在robots.txt，如果存在，搜索機(jī)器人就會(huì)按照該文件中的內(nèi)容來確定訪問的范圍；如果該文件不存在，那么搜索機(jī)器人就沿著鏈接抓取。


另外，robots.txt必須放置在一個(gè)站點(diǎn)的根目錄下，而且文件名必須全部小寫。


robots.txt寫作語法


首先，我們來看一個(gè)robots.txt范例：http://www.seovip.cn/robots.txt


訪問以上具體地址，我們可以看到robots.txt的具體內(nèi)容如下：


# Robots.txt file from http://www.seovip.cn
# All robots will spider the domain


User-agent: *
Disallow:


以上文本表達(dá)的意思是允許所有的搜索機(jī)器人訪問www.seovip.cn站點(diǎn)下的所有文件。


具體語法分析：其中#后面文字為說明信息；User-agent:后面為搜索機(jī)器人的名稱，后面如果是*，則泛指所有的搜索機(jī)器人；Disallow:后面為不允許訪問的文件目錄。


下面，我將列舉一些robots.txt的具體用法：


允許所有的robot訪問


User-agent: *
Disallow:


或者也可以建一個(gè)空文件 "/robots.txt" file


禁止所有搜索引擎訪問網(wǎng)站的任何部分


User-agent: *
Disallow: /


禁止所有搜索引擎訪問網(wǎng)站的幾個(gè)部分（下例中的01、02、03目錄）


User-agent: *
Disallow: /01/
Disallow: /02/
Disallow: /03/


禁止某個(gè)搜索引擎的訪問（下例中的BadBot）


User-agent: BadBot
Disallow: /


只允許某個(gè)搜索引擎的訪問（下例中的Crawler）


User-agent: Crawler
Disallow:


User-agent: *
Disallow: /


另外，我覺得有必要進(jìn)行拓展說明，對(duì)robots meta進(jìn)行一些介紹：


Robots META標(biāo)簽則主要是針對(duì)一個(gè)個(gè)具體的頁面。和其他的META標(biāo)簽（如使用的語言、頁面的描述、關(guān)鍵詞等）一樣，Robots META標(biāo)簽也是放在頁面的<head></head>中，專門用來告訴搜索引擎ROBOTS如何抓取該頁的內(nèi)容。


Robots META標(biāo)簽的寫法：


Robots META標(biāo)簽中沒有大小寫之分，name=”Robots”表示所有的搜索引擎，可以針對(duì)某個(gè)具體搜索引擎寫為name=”BaiduSpider”。 content部分有四個(gè)指令選項(xiàng)：index、noindex、follow、nofollow，指令間以“,”分隔。


INDEX 指令告訴搜索機(jī)器人抓取該頁面；


FOLLOW 指令表示搜索機(jī)器人可以沿著該頁面上的鏈接繼續(xù)抓取下去；


Robots Meta標(biāo)簽的缺省值是INDEX和FOLLOW，只有inktomi除外，對(duì)于它，缺省值是INDEX,NOFOLLOW。


這樣，一共有四種組合：


<META NAME="ROBOTS" CONTENT="INDEX,FOLLOW">
<META NAME="ROBOTS" CONTENT="NOINDEX,FOLLOW">
<META NAME="ROBOTS" CONTENT="INDEX,NOFOLLOW">
<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">


其中


<META NAME="ROBOTS" CONTENT="INDEX,FOLLOW">可以寫成<META NAME="ROBOTS" CONTENT="ALL">；


<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">可以寫成<META NAME="ROBOTS" CONTENT="NONE">


目前看來，絕大多數(shù)的搜索引擎機(jī)器人都遵守robots.txt的規(guī)則，而對(duì)于Robots META標(biāo)簽，目前支持的并不多，但是正在逐漸增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE還增加了一個(gè)指令“archive”，可以限制GOOGLE是否保留網(wǎng)頁快照。例如：


<META NAME="googlebot" CONTENT="index,follow,noarchive">


表示抓取該站點(diǎn)中頁面并沿著頁面中鏈接抓取，但是不在GOOLGE上保留該頁面的網(wǎng)頁快照。


特別說明，本文章的寫作參考了一些網(wǎng)絡(luò)信息，robin只是按照自己的思路對(duì)信息進(jìn)行整理。