robots.txt是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络搜索引擎的漫游器（又称网络蜘蛛），此网站中的哪些内容是不应被搜索引擎的漫游器获取的，哪些是可以被（漫游器）获取的。因为一些系统中的URL是大小写敏感的，所以robots.txt的文件名应统一为小写。robots.txt应放置于网站的根目录下。如果想单独定义搜索引擎的漫游器访问子目录时的行为，那么可以将自定的设置合并到根目录下的robots.txt，或者使用robots元数据（Metadata，又称元数据）。
快速导航
概况
知乎精选最新
目
录
robots.txt是一个协议，而不是一个命令。robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。
当一个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，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。官方建议，仅当您的网站包含不希望被搜索引擎收录的内容时，才需要使用robots.txt文件。如果您希望搜索引擎收录网站上所有内容，请勿建立robots.txt文件。
robots.txt必须放置在一个站点的根目录下，文件名必须全部小写。
语法：最简单的robots.txt 文件使用两条规则：
·User-Agent：适用下列规则的漫游器(访问的设备)
·Disallow： 要拦截的网页
如果其他网站链接了您robots.txt文件中设置的禁止收录的网页，那么这些网页仍然可能会出现在搜索结果中，但您的网页上的内容不会被抓取、建入索引和显示，搜索结果中展示的仅是其他网站对您相关网页的描述。
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，写这篇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
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
360蜘蛛：360Spider
sogou蜘蛛：Sogou Web Spider
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：YoudaoBot
泽许蜘蛛： Zexuwhte
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：/A 是屏蔽A目录下的所有文件，包括文件和子目录，还屏蔽 /A*.*的文件
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
容许搜索引擎访问特定目录中的网页
User-agent: *
Allow：/目录1/目录2(容许访问目录2中的网页)
Allow： /目录3/目录4(容许访问目录4中的网页)
Allow： /目录5/目录6(容许访问目录6中的网页)
Disallow： /目录1/
Disallow： /目录3/
Disallow： /目录5/
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: /
很显然淘宝不允许机器人访问其网站下其所有的目录。
例2.允许所有的robot访问 (或者也可以建一个空文件 “/robots.txt” file)
User-agent: *
Allow:/
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
allow:/
例5.一个简单例子
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /~joe/
User-agent：后的*具有特殊的含义，代表“anyrobot”，所以在该文件中不能有“Disallow: /tmp/*” or“Disallow:*.gif”这样的记录出现。
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。
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/”。
Robot特殊参数：
允许 Googlebot：
如果您要拦截除 Googlebot 以外的所有漫游器不能访问您的网页，可以使用下列语法：
User-agent:
Disallow: /
User-agent: Googlebot
Allow:
Googlebot 跟随指向它自己的行，而不是指向所有漫游器的行。
“Allow”扩展名：
Googlebot 可识别称为“Allow”的robots.txt标准扩展名。其他搜索引擎的漫游器可能无法识别此扩展名，因此请使用您感兴趣的其他搜索引擎进行查找。“Allow”行的作用原理完全与“Disallow”行一样。只需列出您要允许的目录或页面即可。
您也可以同时使用“Disallow”和“Allow”。例如，要拦截子目录中某个页面之外的其他所有页面，可以使用下列条目：
User-agent: Googlebot
Disallow: /folder1/
Allow: /folder1/myfile.html
这些条目将拦截 folder1 目录内除 myfile.html 之外的所有页面。
如果您要拦截 Googlebot 并允许 Google 的另一个漫游器(如 Googlebot-Mobile)，可使用”Allow”规则允许该漫游器的访问。例如：
User-agent: Googlebot
Disallow: /
User-agent: Googlebot-Mobile
Allow:
使用 * 号匹配字符序列：
您可使用星号 (*) 来匹配字符序列。例如，要拦截对所有以 private 开头的子目录的访问，可使用下列条目：
User-Agent: Googlebot
Disallow: /private*/
要拦截对所有包含问号 (?) 的网址的访问，可使用下列条目：
User-agent: *
Disallow: /*?*
使用 $ 匹配网址的结束字符
您可使用 $字符指定与网址的结束字符进行匹配。例如，要拦截以 .asp 结尾的网址，可使用下列条目：
User-agent: Googlebot
Disallow: /*.asp$
您可将此模式匹配与 Allow 指令配合使用。例如，如果 表示一个会话 ID，您可排除所有包含该 ID 的网址，确保 Googlebot 不会抓取重复的网页。但是，以 结尾的网址可能是您要包含的网页版本。在此情况下，可对robots.txt 文件进行如下设置：
User-agent: *
Allow: /*?$
Disallow: /*?
Disallow: / *?
一行将拦截包含 的网址(具体而言，它将拦截所有以您的域名开头、后接任意字符串，然后是问号 (?)，而后又是任意字符串的网址)。
Allow: /*?$ 一行将允许包含任何以 结尾的网址(具体而言，它将允许包含所有以您的域名开头、后接任意字符串，然后是问号 (?)，问号之后没有任何字符的网址)。
Robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况，而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=”BaiduSpider”。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。
遵守规则
上述的robots.txt和Robots Meta标签限制搜索引擎机器人(ROBOTS)抓取站点内容的办法只是一种规则，需要搜索引擎机器人的配合才行，并不是每个ROBOTS都遵守的。
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RobotsMETA标签，支持的并不多，但是正在逐渐增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE还增加了一个指令“archive”，可以限制GOOGLE是否保留网页快照。
Robots协议并非强制性法规，而是搜索引擎诞生后，互联网业界经过长期博弈，最终在搜索引擎与商业站点、公众知情权和用户隐私权之间达成的一种妥协。
据了解，早期的互联网主要是“用户-网站”模式。用户通过网站获取信息，网站通过吸引用户点击来实现广告收入。不过，当谷歌把搜索引擎变成一种成功的商业模式之后，很多网站原有的商业模式遭到了严重破坏。
为了维护自身的利益，一些欧美大型网站联合起来与谷歌谈判，要求谷歌“有所为有所不为”，于是就有了Robots协议。该协议的核心思想就是要求Robots程序不要去检索那些站长不希望被直接搜索到的内容，并将约束Robots程序的具体方法规范成格式代码，就成了Robots协议。一般来说，网站是通过Robots.txt文件来实现Robots协议。
国内使用Robots协议最典型的案例就是淘宝网拒绝百度搜索。此外还有大量的用户注册、邮件等信息，都利用Robots协议来防止这些内容在互联网上被搜索到。
不过，绝大多数中小网站需要依靠搜索引擎来增加流量，因此通常并不排斥搜索引擎，也很少使用Robots协议。2011年京东商城屏蔽一淘网抓取数据时，曾指责一淘网破坏了Robots协议。
技术工程师Joey在接受《每日经济新闻》采访时表示，谷歌、百度是通过都是自己的服务器不停地在网上抓内容进行索引，而360的模式是让每个使用360浏览器的电脑成为360的蜘蛛爬虫，把浏览的内容上传到360服务器上做索引。
Robots协议约束力几何？\
此前，在多次“互联网大战”中，360的隐私问题均被竞争对手列为质疑的焦点。
两年前，奇虎360公司两名网络工程师利用360公司系统收集的用户信息，通过360服务器云计算后台破解了市政一卡通系统的后台密码，并远程为自己和3位同事的一卡通恶意充值2600元。2011年1月，360收集隐私数据被谷歌爬虫抓取，结果包括网民在百度搜索的关键字、淘宝购物记录、金蝶等企业内部财务网络数据等链接数据“裸奔”于互联网上。
不过，很多的中立行业观察人士认为，该事件的重心并不在口水仗，而是作为“行业自律”的Robots协议是否需要更强有力的法律约束？
一位浏览器技术人员对中央电视台记者表示，谷歌的Chrome浏览器也会根据用户访问的历史记录在首页给出“最常访问的网站”，但不会优先出现在搜索结果中。
当前尴尬的是，Robots协议并没有上升到一定的高度。“所谓Robots协议，其实就是谷歌自己制定的一个协议规范，并不是各大搜索厂商的共识或统一的协议，也从来没有任何一家国内搜索引擎服务商公开承诺遵守Robots协议或签署类似的协议或声明。”所以说，Robots协议连个行业规范都算不上，更别说什么国际标准了，即便在美国，也只有Google把它当回事。“上述不愿意透露姓名的浏览器技术人员表示。
一、屏蔽图片目录
图片是组成网站构成的重要元素，但主题模板中相似图片在搜索引擎中比比皆是，搜索引擎一遍遍的比较下去还会对网站进行收录吗?即便收录了，所带的结果也可以忽略不计的。一个好的网站，每天多多少少加起来会有不下几千次搜索引擎蜘蛛来访，这样无疑很浪费带宽，所以建议屏蔽一下图片目录，屏蔽的目录为“p_w_picpaths、p_w_picpaths”。
二、屏蔽缓存目录
很多网站都具有一些缓存目录，假如蜘蛛持续进行索引的时候，这些无疑会造成反复内容索引，对网站是有害无益的。当然，其他程序还有其他的缓存目录，建议针对性地进行目录屏蔽最为适合。
三、屏蔽模板目录
关于程序模板，大部分站长都非自己自定义设计的模板，而是套用他人的。模板的高复重复也会成为搜索引擎里信息的多余部分，因此建议使用Robots.txt来进行模板的屏蔽。
⒈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，所以应该在网站中添加一个robots.txt。
⒉网站管理员必须使蜘蛛程序远离某些服务器上的目录——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，这样能够避免将所有程序文件被蜘蛛索引，可以节省服务器资源。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: /p_w_upload/ 附件
Disallow: /p_w_picpaths/ 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
⒊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含重复内容。
⒋robots.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
（此处请填写XML地图的绝对路径，即完整URL，如果按习惯填写Sitemap: /sitemap.xml，提交后会提示：检测到无效的 Sitemap 网址；语法错误。XML地图必须在网站根目录下才有效。）
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。
⒌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。
"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和Allow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"robots.txt"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*，则对任何robot均有效，在"robots.txt"文件中，"User-agent:*"这样的记录只能有一条。如果在"robots.txt"文件中，加入"User-agent:SomeBot"和若干Disallow、Allow行，那么名为"SomeBot"只受到"User-agent:SomeBot"后面的Disallow和Allow行的限制。
Disallow:
该项的值用于描述不希望被访问的一组URL，这个值可以是一条完整的路径，也可以是路径的非空前缀，以Disallow项的值开头的URL不会被robot访问。例如"Disallow:/help"禁止robot访问/help.html、/helpabc.html、/help/index.html，而"Disallow:/help/"则允许robot访问/help.html、/helpabc.html，不能访问/help/index.html。"Disallow:"说明不允许robot访问该网站的所有url，在"/robots.txt"文件中，至少要有一条Disallow记录。如果"/robots.txt"不存在或者为空文件，则对于所有的搜索引擎robot，该网站都是开放的。
Allow:
该项的值用于描述希望被访问的一组URL，与Disallow项相似，这个值可以是一条完整的路径，也可以是路径的前缀，以Allow项的值开头的URL是允许robot访问的。例如"Allow:/hibaidu"允许robot访问/hibaidu.htm、/hibaiducom.html、/hibaidu/com.html。一个网站的所有URL默认是Allow的，所以Allow通常与Disallow搭配使用，实现允许访问一部分网页同时禁止访问其它所有URL的功能。
需要特别注意的是Disallow与Allow行的顺序是有意义的，robot会根据第一个匹配成功的Allow或Disallow行确定是否访问某个URL。
使用"*"和"$"：
Baiduspider支持使用通配符"*"和"$"来模糊匹配url。
"$" 匹配行结束符。
"*" 匹配0或多个任意字符。
robots.txt使用什么字符编码，并没有相关规定，都是各搜索引擎自已定义的。虽然google和其它搜索引擎建议大家使用 utf-8 字符编码格式的robots.txt，但几乎所有的搜索引擎都支持 ANSI 编码格式，而google自已对 utf-8 编码格式的robots.txt，会出现首字乱码。所以为了达到最大的兼容性，建议大家使用 ANSI 格式编码，或者使用 utf-8 编码格式，但需要空出首行。
还有一个建议就是robots.txt中最好不要出现中文，即使是注释也要使用英文。
robots.txt文件一般生效时间为7-15天，即1-2周。如果新网站源码中包含robots.txt文件，那样蜘蛛进行爬行时就会生效，如果是后来添加的，那样蜘蛛需要对数据进行更新，时间一般在7-15天。
例1.禁止所有搜索引擎访问网站的任何部分 | User-agent: * Disallow: / |
例2.允许所有的robot访问 （或者也可以建一个空文件 "/robots.txt") | 第1种写法 User-agent: * Allow: / 第2种写法 User-agent: * Allow: 第3种写法 User-agent: * Disallow: |
例3. 仅禁止Baiduspider访问您的网站 | User-agent: Baiduspider Disallow: / |
例4. 仅允许Baiduspider访问您的网站 | User-agent: Baiduspider Allow: / |
例5. 禁止spider访问特定目录 在这个例子中，该网站有三个目录对搜索引擎的访问做了限制，即robot不会访问这三个目录。需要注意的是对每一个目录必须分开声明，而不能写成 "Disallow: /cgi-bin/ /tmp/"。 | User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ |
例6. 允许访问特定目录中的部分url | User-agent: * Allow: /cgi-bin/see Allow: /tmp/hi Allow: /~joe/look |
例7. 使用"*"限制访问url 禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL（包含子目录）。 | User-agent: * Disallow: /cgi-bin/*.htm |
例8. 使用"$"限制访问url 仅允许访问以".htm"为后缀的URL。 | User-agent: * Allow: / .htm$ |
例9. 禁止访问网站中所有的动态页面 | User-agent: * Disallow: /*?* |
例10. 禁止Baiduspider抓取网站上所有图片 仅允许抓取网页，禁止抓取任何图片。 | User-agent: Baiduspider Disallow: /*.jpg$ Disallow: /* .jpeg$ Disallow: /* .gif$ Disallow: /* .png$ Disallow: /*.bmp$ |
例11. 仅允许Baiduspider抓取网页和。gif格式图片 允许抓取网页和gif格式图片，不允许抓取其他格式图片 | User-agent: Baiduspider Allow: .gif$ Disallow: /.jpg$ Disallow: / .jpeg$ Disallow: / .png$ Disallow: /.bmp$ |
例12. 仅禁止Baiduspider抓取。jpg格式图片 | User-agent: /Baiduspider Disallow: /.jpg$ |
百度各个产品使用不同的user-agent：
Baiduspider-mobile | |
Baiduspider-p_w_picpath | |
Baiduspider-video | |
新闻搜索 | Baiduspider-news |
Baiduspider-favo | |
Baiduspider-cpro | |
商务搜索 | Baiduspider-ads |
网页以及其他搜索 | Baiduspider |
特别提示：robots里面内容的大小写不可更改，Disallow后面的冒号必须为英文状态的。
在robots.txt文件中设置所有的文件都可以被搜索蜘蛛抓取，这样可以增加网站的收录率。
网站中的脚本程序、样式表等文件即使被蜘蛛收录，也不会增加网站的收录率，还只会占用服务器存储空间。因此必须在robots.txt文件里设置不要让搜索蜘蛛索引脚本程序、样式表等文件，具体哪些文件需要排除，在robots.txt使用技巧一文中有详细介绍。
搜索蜘蛛抓取网页太浪费服务器资源，在robots.txt文件中设置所有的搜索蜘蛛都不能抓取全部的网页。
如果这样的话，会导致整个网站不能被搜索引擎收录。
所处的时代，是个大数据时代。
大数据时代有一个最重要的特点，无论是欧洲还是美国，中国还是朝鲜，司法都是远远落后于Internet的，维系这个全球瞬间亿万人口同时微博和Facebook的数字行业，能够不断创新、健康、高速发展的基础。
恰恰是，robot赖以生存的契约精神。
这种契约精神，确保了相信微博的后台人员，不会偷看微博私信。
这种契约精神，确保了可以选择在手机上，开放不开放LBS地理位置信息给微信，如果选择NO，马化腾不能以他腾讯CEO身份，命令他手下的程序员，强逼我YES。
这种契约精神，确保了一个值得信赖的开放平台，在与合作伙伴计算分成、分红的时候，不利用后台权限，欺骗合作伙伴。
本来，用户就最关心自己的隐私被互联网企业恣意侵犯滥用，
本来，用户就很难利用现有司法捍卫自己的权利，
而，企业，特别是掌握大数据的搜索企业，居然连这样一种简单的robot道德契约都不愿意遵守？
那谁还敢、谁还愿意，尝试另一个国家开发的全球化应用呢？
大数据时代，契约精神，不仅仅是大家应该共同遵循的道德底线，更是所有互联网企业赖以全球拓展的生存底线。
地球有个臭氧层，破坏了，人人生命临危。
Robot里有个契约精神，破坏了，数据安全无存。
转载于:https://blog.51cto.com/pengge666/1892559
1206
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
