robots的学习

robots.txt在SEO中作用 　　在进行网站优化的时候，经常会使用robots文件把一些内容不想让蜘蛛抓取，以前写过一篇网站优化robots.txt文件的运用, 现在写这编文章在补充一点点知识！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： (User-agent区分大小写)　　 google蜘蛛：Googlebot 　　 百度蜘蛛：Baiduspider 　　 yahoo蜘蛛：Yahoo!slurp 　　 alexa蜘蛛：ia_archiver 　　 bing蜘蛛：MSNbot　　 altavista蜘蛛：scooter 　　 lycos蜘蛛：lycos_spider_(t-rex) 　　 alltheweb蜘蛛：fast-webcrawler 　　 inktomi蜘蛛： slurp　　 Soso蜘蛛:Sosospider　　 Google Adsense蜘蛛:Mediapartners-Google　　 有道蜘蛛:YodaoBotrobots.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: /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)。 　　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 禁止爬去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 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: /