robots.txt的作用是?如何正确的写robots.txt？

在国内，网站管理者似乎对robots.txt并没有引起多大重视，应一些朋友之请求，今天想通过这篇文章来简单谈一下robots.txt的写作。

　　robots.txt基本介绍

　　robots.txt是一个纯文本文件，在这个文件中网站管理者可以声明该网站中不想被robots访问的部分，或者指定搜索引擎只收录指定的内容。

　　当一个搜索机器人(有的叫搜索蜘蛛)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，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围;如果该文件不存在，那么搜索机器人就沿着链接抓取。

　　另外，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写作语法

　　我们可以看到robots.txt的具体内容如下：

　　

# Robots.txt file from http://www.46669.com # All robots will spider the domain User-agent: * Disallow:

　　以上文本表达的意思是允许所有的搜索机器人访问www.46669.com站点下的所有文件。

　　具体语法分析：其中#后面文字为说明信息;User-agent:后面为搜索机器人的名称，后面如果是*，则泛指所有的搜索机器人;Disallow:后面为不允许访问的文件目录。

　　下面，我将列举一些robots.txt的具体用法：

　　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

　　禁止所有搜索引擎访问网站的任何部分

　　

User-agent: * Disallow: /

　　禁止所有搜索引擎访问网站的几个部分(下例中的01、02、03目录)

　　

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

　　禁止某个搜索引擎的访问(下例中的BadBot)

　　

User-agent: BadBot Disallow: /

　　只允许某个搜索引擎的访问(下例中的Crawler)

　　

User-agent: Crawler Disallow: User-agent: * Disallow: /

　　另外，我觉得有必要进行拓展说明，对robots meta进行一些介绍：

　　Robots META标签则主要是针对一个个具体的页面。和其他的META标签(如使用的语言、页面的描述、关键词等)一样，Robots META标签也是放在页面的中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。

　　Robots META标签的写法：

　　Robots META标签中没有大小写之分，name=”Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=”百度Spider”。 content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。

　　INDEX 指令告诉搜索机器人抓取该页面;

　　FOLLOW 指令表示搜索机器人可以沿着该页面上的链接继续抓取下去;

　　Robots Meta标签的缺省值是INDEX和FOLLOW，只有inktomi除外，对于它，缺省值是INDEX,NOFOLLOW。

　　这样，一共有四种组合：

　　

＜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"＞可以写成＜META NAME="ROBOTS" CONTENT="ALL"＞； ＜META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW"＞可以写成＜META NAME="ROBOTS" CONTENT="NONE"＞

　　目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于Robots META标签，目前支持的并不久未几，但是正在逐渐增加，如著名搜索引擎gooogle就完全支持，而且谷歌还增加了一个指令“archive”，可以限制谷歌是否保存网页快照。例如：　　

＜META NAME="谷歌bot" CONTENT="index,follow,noarchive"＞

　　表示抓取该站点中页面并沿着页面中链接抓取，但是不在GOOLGE上保存该页面的网页快照。