解析Robots.txt 协议标准

要写一个Robots.txt的解析函数，察看了一些Robots.txt协议：

转自：http://www.dedecms.com/knowledge/build-skill/experience/2012/0820/9573.html

            http://baike.baidu.com/view/1280732.htm

另有实例：改变nutch对robots.txt的解析实现 （http://www.doc88.com/p-072192049036.html）

Robots.txt 是存放在站点根目录下的一个纯文本文件。虽然它的设置很简单，但是作用却很强大。

它可以指定搜索引擎蜘蛛只抓取指定的内容，或者是禁止搜索引擎蜘蛛抓取网站的部分或全部内容。

文件写法

　　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: /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包含问号 (?) 的网址　

　　Disallow: /.jpg$ 禁止抓取网页所有的.jpg格式的 图片 　

　　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

文件用法：

User-agent:

用于描述搜索引擎蜘蛛的名字，在" Robots.txt "文件中，如果有多条User-agent记录说明有多个搜索引擎蜘蛛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*，则该协议对任何搜索引擎蜘蛛均有效，在" Robots.txt "文件中，"User-agent:*"这样的记录只能有一条。

Disallow:

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。

举例：

例一："Disallow:/help"

是指/help.html 和/help/index.html都不允许搜索引擎蜘蛛抓取。

例二："Disallow:/help/"

是指允许搜索引擎蜘蛛抓取/help.html，而不能抓取/help/index.html。

例三：Disallow记录为空

说明该网站的所有页面都允许被搜索引擎抓取，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蜘蛛，该网站都是开放的可以被抓取的。

Robots.txt 协议中的注释符。

举例：

例一：通过"/robots.txt"禁止所有搜索引擎蜘蛛抓取"/bin/cgi/"目录，以及"/tmp/"目录和 /foo.html 文件，设置方法如下：

User-agent: *

Disallow: /bin/cgi/

Disallow: /tmp/

Disallow: /foo.html

例二：通过"/robots.txt"只允许某个搜索引擎抓取，而禁止其他的搜索引擎抓取。

如：只允许名为"slurp"的搜索引擎蜘蛛抓取，而拒绝其他的搜索引擎蜘蛛抓取 "/cgi/" 目录下的内容，设置方法如下：

User-agent: *

Disallow: /cgi/

User-agent: slurp

Disallow:

例三：禁止任何搜索引擎抓取我的网站，设置方法如下：

User-agent: *

Disallow: /

例四：只禁止某个搜索引擎抓取我的网站

如：只禁止名为“slurp”的搜索引擎蜘蛛抓取，设置方法如下：

User-agent: slurp

Disallow:/