搜索引擎中的robots.txt的作用

今天看一本关于爬虫的书，直到了关于robots.txt的约定。

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。
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。

目前所有的搜索引擎都遵循robots.txt的规则。

一.robots.txt的语法

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: /require/ 这里定义是禁止爬寻require目录下面的目录 　　

Disallow: /ABC/ 这里定义是禁止爬寻ABC整个目录　 　　

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 禁止爬去ab文件夹下面的adc.html文件。 　　

User-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符 　　

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. 禁止某个搜索引擎的访问      User-agent: BadBot 　　Disallow: /

 

二.用robots.txt的好处

 

1. 用robots屏蔽网站重复页

很多网站一个内容提供多种浏览版本，虽然很方便用户却对蜘蛛造成了困难，因为它分不清那个是主，那个是次，一旦让它认为你在恶意重复，兄弟你就惨了

User-agent： *

Disallow： /sitemap/ 《禁止蜘蛛抓取 文本网页》

2. 用robots保护网站安全

很多人纳闷了，robots怎么还和网站安全有关系了？其实关系还很大，不少低级黑客就是通过搜索默认后台登陆，以达到入侵网站的目标

User-agent： *

Disallow： /admin/ 《禁止蜘蛛抓取admin目录下所有文件》

3. 防止盗链

一般盗链也就几个人，可是一旦被搜索引擎“盗链”那家伙你100M宽带也吃不消，如果你做的不是图片网站，又不想被搜索引擎“盗链”你的网站图片

User-agent： *

Disallow： .jpg$

4. 提交网站地图

现在做优化的都知道做网站地图了，可是却没几个会提交的，绝大多数人是干脆在网页上加个链接，其实robots是支持这个功能的

Sitemap： http://www.010wangzhanyouhua.com/sitemaps/sitemaps_1.xml

5. 禁止某二级域名的抓取

一些网站会对VIP会员提供一些特殊服务，却又不想这个服务被搜索引擎检索到

User-agent： *

Disallow： /