robots.txt详细介绍
2020-09-18 22:20:42
供稿：网友
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
首先，我们来看一个robots.txt范例：http://www.csswebs.org/robots.txt
访问以上具体地址，我们可以看到robots.txt的具体内容如下：
# robots.txt file from http://www.csswebs.org
# 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.csswebs.org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＜head＞＜/head＞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=”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。
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。例如：
＜meta name=”googlebot” content=”index,follow,noarchive”＞
