是什么robots.txt协议?robots文件的如何写?

是什么robots.txt协议?robots文件的如何写?robots.txt是你对搜索引擎制定的一个如何索引你的网站的规则。通过该文件，搜索引擎就可以知道在你的网站中哪些文件是可以被索引的，哪些文件是被拒绝索引的，我们就可以很方便地控制搜索索引网站内容了。

第一：什么是robots.txt?

这是一个文本文件，是搜索引擎爬行网页要查看的第一个文件，你可以告诉搜索引擎哪些文件可以被查看，哪些禁止。当搜索机器人(也叫搜索蜘蛛)访问一个站点时，它首先会检查根目录是否存在robots.txt，如果有就确定抓取范围，没有就按链接顺序抓取。

第二：robots.txt有什么用

为何需要用robots.txt这个文件来告诉搜索机器人不要爬行我们的部分网页，比如：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。说到底了，这些页面或文件被搜索引擎收录了，用户也看不了，多数需要口令才能进入或是数据文件。既然这样，又让搜索机器人爬行的话，就浪费了服务器资源，增加了服务器的压力，因此我们可以用robots.txt告诉机器人集中注意力去收录我们的文章页面。增强用户体验。

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，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://bbs.moonseo.cn/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： /

以上五招robots足以让你对搜索引擎蜘蛛掌控能力提升不少，就像百度说的：我们和搜索引擎应该是朋友，增加一些沟通，才能消除一些隔膜。

第三：robots.txt基本语法

1、robots.txt的关键语法

a.user-agent: 应用下文规则的漫游器，比如googlebot,baiduspider等。

b.disallow: 要拦截的网址,不允许机器人访问。

c.allow: 允许访问的网址

d.“*” : 通配符—匹配0或多个任意字符。

e.“$” : 匹配行结束符。

f.“#” : 注释—说明性的文字,不写也可。

g.googlebot: 谷歌搜索机器人(也叫搜索蜘蛛)。

h.baiduspider: 百度搜索机器人(也叫搜索蜘蛛)。

i.目录、网址的写法:都以以正斜线 (/) 开头。

如

disallow:/

disallow:/images/

disallow:/admin/

disallow:/css/

2、robots.txt的具体用法

a.允许所有的robot访问

user-agent: *

disallow:

或者

user-agent: *

allow: /

或者建一个空文件”robots.txt”即可。

b.仅禁止某个机器人访问您的网站，如baiduspider。

user-agent: baiduspider

disallow: /

c.仅允许某个机器人访问您的网站，如baiduspider。

user-agent: baiduspider

disallow:

user-agent: *

disallow: /

d.禁止访问特定目录

user-agent: *

disallow: /admin/

disallow: /css/

disallow:

要拦截对所有包含问号 (?) 的网址的访问(具体地说，这种网址以你的域名开头、后接任意字符串，然后接问号，而后又接任意字符串)，使用以下内容：

user-agent: googlebot

disallow: /*?

要指定与某个网址的结尾字符相匹配，就用 $。例如，要拦截以 .xls 结尾的所有网址，就用以下内容：

user-agent: googlebot

disallow: /*.xls$

你可以将此模式匹配与 allow 指令配合使用。例如，如果 ? 代表一个会话 id，那么你可能希望排除包含 ? 的所有网址，以确保 googlebot 不会抓取重复网页。但是以 ? 结尾的网址可能是你希望包含

在内的网页的版本。在此情况下，你可以对你的 robots.txt 文件进行如下设置：

user-agent: *

allow: /*?$

disallow: /*?

disallow: /*? 指令会阻止包含 ? 的所有网址(具体地说，它将拦截所有以您的域名开头、后接任意字符串，然后接问号，而后又接任意字符串的网址)。

allow: /*?$ 指令将允许以 ? 结尾的任何网址(具体地说，它将允许所有以您的域名开头、后接任意字符串，然后接 ?，? 之后不接任何字符的网址)。

一般网站查看robots.txt文件的方法是主页后面加robots.txt就可以，比如淘宝网的就是http://www.taobao.com/robots.txt。请注意，仅当你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。如果你希望搜索引擎收录网站上所有内容，就不要建立robots.txt文件。

推荐阅读：

如何书写正确网站的robots.txt文件

了解robots文件，主动告诉搜索引擎该抓取什么内容