日期:2018-3-8 浏览次数:807次

Robots协议(也称为爬虫协议、机器人协议等)的全称是“网络爬虫排除标准”(Robots Exclusion Protocol),网站通过Robots协议告诉搜索引擎哪些页面可以抓取,哪些页面不能抓取。

有时候有些页面访问消耗性能比较高不想让搜索引擎抓取,可以在根目录下放robots.txt文件屏蔽搜索引擎或者设置搜索引擎可以抓取文件范围以及规则。

文件写法:
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目录下面的目录:

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包含问号 (?) 的网址:

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:

Sitemap: 网站地图 告诉爬虫这个页面是网站地图:

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” 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:/