今天学习到了robot.txt

robot.txt

　　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。
　　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。如：
　　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文件存在的意义
　　有些人会问，既然robots文件没弄好，或出错了，会影响整个网站的收录，那为什么还要这个文件呢？
　　其实robots是为特定需的站长准备的，因为有些网站，有一些页面是站长不想被SE收录的，所以才有了这个robots文件。
　　五、 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: /
　　例2、允许所有的robot访问
　　User-agent: *
　　Disallow:
　　（或者也可以建一个空文件 "/robots.txt" file）
　　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。
　　User-agent: *
　　Disallow: /cgi-bin/
　　Disallow: /tmp/
　　Disallow: /joe/
　　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。
　　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：
　　1、http://www.robotstxt.org/wc/faq.html
　　2、Web Server Administrator's Guide to the Robots Exclusion Protocol
　　3、HTML Author's Guide to the Robots Exclusion Protocol
　　4、The original 1994 protocol description, as currently deployed
　　5、The revised Internet-Draft specification, which is not yet pleted or implemented
　　Trackback: http://bbs.5ixb.com/read-htm-tid-4131.html