robot.txt 搜索引擎 蜘蛛爬虫 搜索规则

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。

目录

1文件位置

2文件格式

3主要作用

4一般屏蔽

5使用技巧

1文件位置编辑

robots.txt文件应该放在网站根目录下。举例来说，当搜索引擎 ^[1]  访问一个网站时，首先会检查该网站中是否存在 robots.txt这个文件，如果robots机器人程序找到这个文件，它就会根据这个文件的内容，来确定它 访问权限的范围。

wordpress的robots文件位置

没在wordpress网站根节目上传过robots.txt,当搜寻引擎和用户拜访某个文件时，wordpress程序会主动生成一个robots.txt给搜寻引擎和用户;若是我们上传编写的robots.txt到网站根节目，用户和搜寻引擎蛛蛛拜访的就是我们上传的文件，wordpress就不会再产生那个文件了。只有服务器找不到robots的时候wordpress才会生成这个文件。

2文件格式编辑

“ robots.txt”文件包含一条或多条记录，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#进行注释，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 搜索引擎机器人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会受到该协议的约束。所以，“ robots.txt”文件中至少要有一条User- agent记录。如果该项的值设为*（ 通配符），则该协议对任何 搜索引擎机器人均有效。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。

3主要作用编辑

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是为有特别情况的站长准备的，因为有些网站，有一些页面是站长不想被任何 搜索引擎收录的，所以才有了这个robots文件。

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、假设某个网站有三个目录对搜索引擎的访问做了限制，可以这么写：

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*（ 通配符） 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。

另外，robots.txt主要作用是保障网络安全与网站隐私，百度蜘蛛遵循robots.txt协议。通过根目录中创建的纯文本文件robots.txt，网站就可以声明哪些页面不想被百度蜘蛛爬行并收录，每个网站都可以自主控制网站是否愿意被百度蜘蛛收录，或者指定百度蜘蛛只收录指定的内容。当百度蜘蛛访问某个站点时，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。

4一般屏蔽编辑

屏蔽隐私页面，后台登陆页面，缓存页面，图片目录，css目录，模板页面，屏蔽双页面的内容，同时可以屏蔽一些质量比较差的页面，例如金网的所有会员用户空间页面，dz的动态链接也可以设置屏蔽。通过Disallow：命令来进行设置。

5使用技巧编辑

每当用户试图访问某个不存在的URL时，服务器都会在 日志中记录404错误（无法找到文件）。每当搜索 蜘蛛来寻找并不存在的 robots.txt文件时，服务器也将在 日志中记录一条404错误，所以你应该在网站中添加一个robots.txt。

网站管理员必须使 搜索引擎机器人程序远离服务器上的某些目录，以保证服务器性能。比如：大多数网站服务器都有程序储存在“cgi-bin”目录下，因此在 robots.txt文件中加入“Disallow: /cgi-bin”是个好主意，这样能够避免所有 程序文件都被蜘蛛索引，以达到节省服务器资源的效果。

一般网站中不需要蜘蛛抓取的文件有：后台管理文件、程序 脚本、附件、 数据库文件、编码文件、样式表文件、模板文件、导航图片和背景图片等等。

下面是VeryCMS里的 robots.txt文件：

User-agent: *

Disallow: /admin/ 后台管理文件

Disallow: /require/ 程序文件

Disallow: /attachment/ 附件

Disallow: /images/ 图片

Disallow: /data/ 数据库文件

Disallow: /template/ 模板文件

Disallow: /css/ 样式表文件

Disallow: /lang/ 编码文件

Disallow: /script/ 脚本文件

Disallow: /js/js文件

如果你的网站是 动态网页，并且你为这些动态网页创建了 静态副本，以供搜索蜘蛛更容易抓取。那么你需要在 robots.txt文件里设置避免 动态网页被蜘蛛索引，以保证这些网页不会被视为是网站重复的内容。

robots.txt文件里还可以直接包括在sitemap文件的链接。就像这样：

Sitemap: http://www.***.com/sitemap.xml

目 前对此表示支持的搜索引擎公司有Google, Yahoo, Ask and MSN。而中文搜索引擎公司，显然不在这个圈子内。这样做的好处就是，站长不用到每个搜索引擎的 站长工具或者相似的站长部分，去提交自己的sitemap文件，搜索引擎的蜘蛛自己就会抓取 robots.txt文件，读取其中的sitemap路径，接着抓取其中相链接的网页。

合理使用 robots.txt文件还能避免访问时出错。比如，不能让搜索者直接进入购物车页面。因为没有理由使购物车被收录，所以你可以在 robots.txt文件里设置来阻止搜索者直接进入购物车页面。