拒绝蜘蛛协议（Robots Exclusion Protocol）

(一)Robots Exclusion Protocol协议简介
　　当Robot访问一个Web站点时，比如http://www.some.com/，它先去检查文件http://www.some.com/robots.txt。如果这个文件存在，它便会按照这样的记录格式去分析：　

User-agent:*Disallow: /cgi-bin/Disallow: /tmp/Disallow: /~joe/

    以确定它是否应该检索站点的文件。这些记录是专门给Web Robot看的，一般的浏览者大概永远不会看到这个文件。
　　在一个站点上只能有一个“/robots.txt”文件，而且文件名的每个字母要求全部是小写。在Robot的记录格式中每一个单独的“Disallow” 行表示你不希望Robot访问的URL，每个URL必须单独占一行，不能出现“Disallow: /cgi-bin/ /tmp/”这样的病句。同时在一个记录中不能出现空行，这是因为空行是多个记录分割的标志。
　　User-agent行指出的是Robot或其他代理的名称。在User-agent行，'*' 表示所有的Robot。
　　下面是几个robot.txt的例子：
　　在整个服务器上拒绝所有的robots：User-agent: *Disallow: /
　　允许所有的robots访问整个站点：User-agent: *Disallow: ；或者产生一个空的“/robots.txt”文件
　　服务器的部分内容允许所有的robot访问User-agent: *Disallow: /cgi-bin/Disallow: /tmp/Disallow: /private/
　　拒绝某一个专门的robot：User-agent: BadBotDisallow: /
　　只允许某一个Robot光顾：User-agent: WebCrawlerDisallow:User-agent: *Disallow: /
　　最后我们给出 http://www.w3.org/站点上的robots.txt：

　　# For use by search.w3.org
　　User-agent: W3Crobot/1
　　Disallow:
　　User-agent: *
　　Disallow: /Member/ # This is restricted to W3C Members only
　　Disallow: /member/ # This is restricted to W3C Members only
　　Disallow: /team/ # This is restricted to W3C Team only
　　Disallow: /TandS/Member # This is restricted to W3C Members only
　　Disallow: /TandS/Team # This is restricted to W3C Team only
　　Disallow: /Project
　　Disallow: /Systems
　　Disallow: /Web
　　Disallow: /Team
　　Robots META tag的格式为：
　　〈META NAME="ROBOTS" CONTENT="NOINDEX, NOFOLLOW"〉
　　像其他的META tag一样，它应该放在HTML文件的HEAD区：
　　〈html〉
　　〈head〉
　　〈meta name="robots" content="noindex,nofollow"〉
　　〈meta name="description" content="This page ...."〉
　　〈title〉...〈/title〉
　　〈/head〉
　　〈body〉
　　...

　　Robots META tag指令用逗号隔开，可以使用的指令包括[NO]INDEX和[NO] FOLLOW。INDEX指令指出一个索引性Robot是否可以对本页进行索引，FOLLOW指令指出Robot是否可以跟踪本页的链接。缺省的情况是INDEX和FOLLOW。例如：

　　〈meta name="robots" content="index,follow"〉
　　〈meta name="robots" content="noindex,follow"〉
　　〈meta name="robots" content="index,nofollow"〉
　　〈meta name="robots" content="noindex,nofollow"〉
　　在制作和维护Web时，应当考虑对Web Robot程序的管理。

------------------------------------
建立一个robots.txt 文档,
如果你的网站是www.yingz.com,拒绝访问IMG目录则为:
在 robots.txt 写上以下代码
# For use by search.yingz.com
Disallow:
User-agent: *
Disallow: /img/
----------------------------------

转自：

http://blog.sina.com.cn/s/blog_4cd012fc010085mb.html

-----------------------------------------------------------------------------------------------------------------

(二)Robots Exclusion Protocol协议概述

一．什么是robots.txt文件?

　　搜索引擎通过一种程序robot（又称spider），自动访问互联网上的网页并获取网页信息。

　　您可以在您的网站中创建一个纯文本文件robots.txt，在这个文件中声明该网站中不想被robot访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。

二. robots.txt文件放在哪里?

　　robots.txt文件应该放在网站根目录下。举例来说，当robots访问一个网站（比如http://www.abc.com）时，首先会检查该网站中是否存在http://www.abc.com/robots.txt这个文件，如果机器人找到这个文件，它就会根据这个文件的内容，来确定它访问权限的范围。

网站 URL	相应的 robots.txt的 URL
http://www.w3.org/	http://www.w3.org/robots.txt
http://www.w3.org:80/	http://www.w3.org:80/robots.txt
http://www.w3.org:1234/	http://www.w3.org:1234/robots.txt
http://w3.org/	http://w3.org/robots.txt

三. robots.txt文件的格式

"robots.txt"文件包含一条或更多的记录，这些记录通过空行分开（以CR,CR/NL, or NL作为结束符），每一条记录的格式如下所示：

　　　　"<field>:<optionalspace><value><optionalspace>"。

　　在该文件中可以使用#进行注解，具体使用方法和UNIX中的惯例一样。该文件中的记录通常以一行或多行User-agent开始，后面加上若干Disallow行,详细情况如下：

User-agent: 
　　该项的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，如果有多条User-agent记录说明有多个robot会受到该协议的限制，对该文件来说，至少要有一条User-agent记录。如果该项的值设为*，则该协议对任何机器人均有效，在"robots.txt"文件中，"User-agent：*"这样的记录只能有一条。

Disallow :
　　该项的值用于描述不希望被访问到的一个URL，这个URL可以是一条完整的路径，也可以是部分的，任何以Disallow 开头的URL均不会被robot访问到。例如"Disallow: /help"对/help.html 和/help/index.html都不允许搜索引擎访问，而"Disallow: /help/"则允许robot访问/help.html，而不能访问/help/index.html。
任何一条Disallow记录为空，说明该网站的所有部分都允许被访问，在"/robots.txt"文件中，至少要有一条Disallow记录。如果"/robots.txt"是一个空文件，则对于所有的搜索引擎robot，该网站都是开放的。

四. 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 　　　下载该robots.txt文件	User-agent: *  Disallow: /
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/

五. robots.txt文件参考资料

robots.txt文件的更具体设置,请参看以下链接：

· Web Server Administrator's Guide to the Robots Exclusion Protocol 
· HTML Author's Guide to the Robots Exclusion Protocol 
· The original 1994 protocol description, as currently deployed
· The revised Internet-Draft specification, which is not yet completed or implemented

转自：

http://hi.baidu.com/devil_1832/blog/item/bf98e91f75cfc805314e1531.html

-----------------------------------------------------------------------------------------------------------------------