robots是網站跟爬蟲間的協定，用簡單直接的txt格式文本方式告訴對應的爬蟲被允許的許可權，也就是說robots.txt是搜尋引擎中訪問網站的時候要查看的第一個檔案。當一個搜尋蜘蛛訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，如果存在，搜尋機器人就會按照該檔案中的內容來確定訪問的範圍；如果該檔案不存在，所有的搜尋蜘蛛將能夠訪問網站上所有沒有被口令保護的頁面。
基本介紹
- 外文名：robots.txt
- 類型：文本文檔
- 使用對象：搜尋引擎
- 作用：確定蜘蛛搜尋範圍
robots簡介,使用誤區,使用技巧,robots.txt檔案的格式,robots.txt語法教程,robot.txt在SEO中的作用,非標準擴展協定,常見Robots名字,Robots META標籤的寫法,禁止抓取圖片,禁止快照,百度robots中的user-agent,
robots簡介
搜尋引擎通過一種程式robot（又稱spider），自動訪問網際網路上的網頁並獲取網頁信息。
您可以在您的網站中創建一個純文本檔案robots.txt，在這個檔案中聲明該網站中不想被robot訪問的部分，這樣，該網站的部分或全部內容就可以不被搜尋引擎收錄了，或者指定搜尋引擎只收錄指定的內容。
robots.txt（統一小寫）是一種存放於網站根目錄下的ASCII編碼的文本檔案，它通常告訴網路搜尋引擎的漫遊器（又稱網路蜘蛛），此網站中的哪些內容是不能被搜尋引擎的漫遊器獲取的，哪些是可以被（漫遊器）獲取的。 因為一些系統中的URL是大小寫敏感的，所以robots.txt的檔案名稱應統一為小寫。robots.txt應放置於網站的根目錄下。如果想單獨定義搜尋引擎的漫遊器訪問子目錄時的行為，那么可以將自定的設定合併到根目錄下的robots.txt，或者使用robots元數據。
Robots.txt協定並不是一個規範，而只是約定俗成的，所以並不能保證網站的隱私。注意Robots.txt是用字元串比較來確定是否獲取URL，所以目錄末尾有和沒有斜槓“/”這兩種表示是不同的URL，也不能用"Disallow: *.gif"這樣的通配符。
其他的影響搜尋引擎的行為的方法包括使用robots元數據：
<meta name="robots" content="noindex,nofollow" />
這個協定也不是一個規範，而只是約定俗成的，通常搜尋引擎會識別這個元數據，不索引這個頁面，以及這個頁面的鏈出頁面
robots.txt檔案放在哪裡?
robots.txt檔案應該放在網站根目錄下。舉例來說，當robots訪問一個網站時，首先會檢查該網站中是否存在這個檔案，如果機器人找到這個檔案，它就會根據這個檔案的內容，來確定它訪問許可權的範圍。
使用誤區
誤區一：我的網站上的所有檔案都需要蜘蛛抓取，那我就沒必要在添加robots.txt檔案了。反正如果該檔案不存在，所有的搜尋蜘蛛將默認能夠訪問網站上所有沒有被口令保護的頁面。
每當用戶試圖訪問某個不存在的URL時，伺服器都會在日誌中記錄404錯誤（無法找到檔案）。每當搜尋蜘蛛來尋找並不存在的robots.txt檔案時，伺服器也將在日誌中記錄一條404錯誤，所以你應該做網站中添加一個robots.txt。
誤區二：在robots.txt檔案中設定所有的檔案都可以被搜尋蜘蛛抓取，這樣可以增加網站的收錄率。
網站中的程式腳本、樣式表等檔案即使被蜘蛛收錄，也不會增加網站的收錄率，還只會浪費伺服器資源。因此必須在robots.txt檔案里設定不要讓搜尋蜘蛛索引這些檔案。
具體哪些檔案需要排除， 在robots.txt使用技巧一文中有詳細介紹。
誤區三：搜尋蜘蛛抓取網頁太浪費伺服器資源，在robots.txt檔案設定所有的搜尋蜘蛛都不能抓取全部的網頁。
如果這樣的話，會導致整個網站不能被搜尋引擎收錄。
使用技巧
1. 每當用戶試圖訪問某個不存在的URL時，伺服器都會在日誌中記錄404錯誤（無法找到檔案）。每當搜尋蜘蛛來尋找並不存在的robots.txt檔案時，伺服器也將在日誌中記錄一條404錯誤，所以你應該在網站中添加一個robots.txt。
2. 網站管理員必須使蜘蛛程式遠離某些伺服器上的目錄——保證伺服器性能。比如：大多數網站伺服器都有程式儲存在“cgi-bin”目錄下，因此在robots.txt檔案中加入“Disallow: /cgi-bin”是個好主意，這樣能夠避免將所有程式檔案被蜘蛛索引，可以節省伺服器資源。一般網站中不需要蜘蛛抓取的檔案有：後台管理檔案、程式腳本、附屬檔案、資料庫檔案、編碼檔案、樣式表檔案、模板檔案、導航圖片和背景圖片等等。
下面是VeryCMS里的robots.txt檔案：
User-agent: *
Disallow: /admin/ 後台管理檔案
Disallow: /require/ 程式檔案
Disallow: /attachment/ 附屬檔案
Disallow: /images/ 圖片
Disallow: /data/ 資料庫檔案
Disallow: /template/ 模板檔案
Disallow: /css/ 樣式表檔案
Disallow: /lang/ 編碼檔案
Disallow: /script/ 腳本檔案
3. 如果你的網站是動態網頁，並且你為這些動態網頁創建了靜態副本，以供搜尋蜘蛛更容易抓取。那么你需要在robots.txt檔案里設定避免動態網頁被蜘蛛索引，以保證這些網頁不會被視為含重複內容。
4. robots.txt檔案里還可以直接包括在sitemap檔案的連結。就像這樣：
Sitemap: http://www.***.com/sitemap.xml
目前對此表示支持的搜尋引擎公司有Google, Yahoo, Ask and MSN。而中文搜尋引擎公司，顯然不在這個圈子內。這樣做的好處就是，站長不用到每個搜尋引擎的站長工具或者相似的站長部分，去提交自己的sitemap檔案，搜尋引擎的蜘蛛自己就會抓取robots.txt檔案，讀取其中的sitemap路徑，接著抓取其中相連結的網頁。
5. 合理使用robots.txt檔案還能避免訪問時出錯。比如，不能讓搜尋者直接進入購物車頁面。因為沒有理由使購物車被收錄，所以你可以在robots.txt檔案里設定來阻止搜尋者直接進入購物車頁面。
robots.txt檔案的格式
"robots.txt"檔案包含一條或更多的記錄，這些記錄通過空行分開（以CR,CR/NL, or NL作為結束符），每一條記錄的格式如下所示：
"<field>:<optionalspace><value><optionalspace>"。
在該檔案中可以使用#進行註解，具體使用方法和UNIX中的慣例一樣。該檔案中的記錄通常以一行或多行User-agent開始，後面加上若干Disallow行,詳細情況如下：
User-agent:
該項的值用於描述搜尋引擎robot的名字，在"robots.txt"檔案中，如果有多條User-agent記錄說明有多個robot會受到該協定的限制，對該檔案來說，至少要有一條User-agent記錄。如果該項的值設為*，則該協定對任何機器人均有效，在"robots.txt"檔案中，"User-agent:*"這樣的記錄只能有一條。
Disallow:
該項的值用於描述不希望被訪問到的一個URL，這個URL可以是一條完整的路徑，也可以是部分的，任何以Disallow開頭的URL均不會被robot訪問到。例如"Disallow:/help"對/help.html 和/help/index.html都不允許搜尋引擎訪問，而"Disallow:/help/"則允許robot訪問/help.html，而不能訪問/help/index.html。任何一條Disallow記錄為空，說明該網站的所有部分都允許被訪問，在"/robots.txt"檔案中，至少要有一條Disallow記錄。如果"/robots.txt"是一個空檔案，則對於所有的搜尋引擎robot，該網站都是開放的。
Allow:
該項的值用於描述希望被訪問的一組URL，與Disallow項相似，這個值可以是一條完整的路徑，也可以是路徑的前綴，以Allow項的值開頭的URL是允許robot訪問的。例如"Allow:/hibaidu"允許robot訪問/hibaidu.htm、/hibaiducom.html、/hibaidu/com.html。一個網站的所有URL默認是Allow的，所以Allow通常與Disallow搭配使用，實現允許訪問一部分網頁同時禁止訪問其它所有URL的功能。
需要特別注意的是Disallow與Allow行的順序是有意義的，robot會根據第一個匹配成功的Allow或Disallow行確定是否訪問某個URL。
使用"*"和"$"：
robots支持使用通配符"*"和"$"來模糊匹配url：
"$" 匹配行結束符。
"*" 匹配0或多個任意字元。
robots.txt語法教程
用幾個最常見的情況，直接舉例說明：
1. 允許所有SE收錄本站：robots.txt為空就可以，什麼都不要寫。
2. 禁止所有SE收錄網站的某些目錄：
User-agent: *
Disallow: /目錄名1/
Disallow: /目錄名2/
Disallow: /目錄名3/
3. 禁止某個SE收錄本站，例如禁止百度：
User-agent: Baiduspider
Disallow: /
4. 禁止所有SE收錄本站：
User-agent: *
Disallow: /
5. 加入sitemap.xml路徑,例如：
robot.txt在SEO中的作用
在進行網站最佳化的時候，經常會使用robots檔案把一些內容不想讓蜘蛛抓取，以前寫過一篇網站最佳化robots.txt檔案的運用 現在寫這篇文章在補充一點點知識！什麼是robots.txt檔案
搜尋引擎通過一種爬蟲spider程式（又稱搜尋蜘蛛、robot、搜尋機器人等），自動蒐集網際網路上的網頁並獲取相關信息。
鑒於網路安全與隱私的考慮，搜尋引擎遵循robots.txt協定。通過根目錄中創建的純文本檔案robots.txt，網站可以聲明不想被robots訪問的部分。每個網站都可以自主控制網站是否願意被搜尋引擎收錄，或者指定搜尋引擎只收錄指定的內容。當一個搜尋引擎的爬蟲訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，如果該檔案不存在，那么爬蟲就沿著連結抓取，如果存在，爬蟲就會按照該檔案中的內容來確定訪問的範圍。
robots.txt必須放置在一個站點的根目錄下，而且檔案名稱必須全部小寫。robots.txt檔案的格式
User-agent: 定義搜尋引擎的類型
Disallow: 定義禁止搜尋引擎收錄的地址
Allow: 定義允許搜尋引擎收錄的地址
我們常用的搜尋引擎類型有：
google蜘蛛：googlebot
百度蜘蛛：baiduspider
yahoo蜘蛛：slurp
alexa蜘蛛：ia_archiver
msn蜘蛛：msnbot
altavista蜘蛛：scooter
lycos蜘蛛：lycos_spider_(t-rex)
alltheweb蜘蛛：fast-webcrawler
inktomi蜘蛛： slurprobots.txt檔案的寫法
User-agent: * 這裡的*代表的所有的搜尋引擎種類，*是一個通配符
Disallow: /admin/ 這裡定義是禁止爬尋admin目錄下面的目錄
Disallow: /require/ 這裡定義是禁止爬尋require目錄下面的目錄
Disallow: /ABC 這裡定義是禁止爬尋ABC整個目錄
Disallow: /cgi-bin/*.htm 禁止訪問/cgi-bin/目錄下的所有以".htm"為後綴的URL(包含子目錄)。
Disallow: /*?* 禁止訪問網站中所有的動態頁面
Disallow: .jpg$ 禁止抓取網頁所有的.jpg格式的圖片
Disallow:/ab/adc.html 禁止爬去ab資料夾下面的adc.html所有檔案
User-agent: * 這裡的*代表的所有的搜尋引擎種類，*是一個通配符
Allow: /cgi-bin/ 這裡定義是允許爬尋cgi-bin目錄下面的目錄
Allow: /tmp 這裡定義是允許爬尋tmp的整個目錄
Allow: .htm$ 僅允許訪問以".htm"為後綴的URL。
Allow: .gif$ 允許抓取網頁和gif格式圖片robots.txt檔案用法舉例
例1. 禁止所有搜尋引擎訪問網站的任何部分
User-agent: *
Disallow: /
實例分析：淘寶網的 Robots.txt檔案
User-agent: Baiduspider
Disallow: /
很顯然淘寶不允許百度的機器人訪問其網站下其所有的目錄。
例2. 允許所有的robot訪問 (或者也可以建一個空檔案 “/robots.txt” file)
User-agent: *
Disallow:
例3. 禁止某個搜尋引擎的訪問
User-agent: BadBot
Disallow: /
例4. 允許某個搜尋引擎的訪問
User-agent: baiduspider
Disallow: User-agent: *Disallow: /
例5.一個簡單例子
在這個例子中，該網站有三個目錄對搜尋引擎的訪問做了限制，即搜尋引擎不會訪問這三個目錄。
需要注意的是對每一個目錄必須分開聲明，而不要寫成 “Disallow: /cgi-bin/ /tmp/”。
User-agent:後的*具有特殊的含義，代表“any robot”，所以在該檔案中不能有“Disallow: /tmp/*” or “Disallow:*.gif”這樣的記錄出現。
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /~joe/
Robot特殊參數：
允許 Googlebot：
如果您要攔截除 Googlebot 以外的所有漫遊器訪問您的網頁，可以使用下列語法：
User-agent:
Disallow:/
User-agent:Googlebot
Disallow:
Googlebot 跟隨指向它自己的行，而不是指向所有漫遊器的行。
“Allow”擴展名：
Googlebot 可識別稱為“Allow”的 robots.txt 標準擴展名。其他搜尋引擎的漫遊器可能無法識別此擴展名，因此請使用您感興趣的其他搜尋引擎進行查找。“Allow”行的作用原理完全與“Disallow”行一樣。只需列出您要允許的目錄或頁面即可。
您也可以同時使用“Disallow”和“Allow”。例如，要攔截子目錄中某個頁面之外的其他所有頁面，可以使用下列條目：
User-Agent:Googlebot
Disallow:/folder1/
Allow:/folder1/myfile.html
這些條目將攔截 folder1 目錄內除 myfile.html 之外的所有頁面。
如果您要攔截 Googlebot 並允許 Google 的另一個漫遊器（如 Googlebot-Mobile），可使用”Allow”規則允許該漫遊器的訪問。例如：
User-agent:Googlebot
Disallow:/
User-agent:Googlebot-Mobile
Allow:
使用 * 號匹配字元序列：
您可使用星號 (*) 來匹配字元序列。例如，要攔截對所有以 private 開頭的子目錄的訪問，可使用下列條目：
User-Agent:Googlebot
Disallow:/private*/
要攔截對所有包含問號 (?) 的網址的訪問，可使用下列條目：
User-agent:*
Disallow:/*?*
使用 $ 匹配網址的結束字元
您可使用 $ 字元指定與網址的結束字元進行匹配。例如，要攔截以 .asp 結尾的網址，可使用下列條目：
User-Agent:Googlebot
Disallow:/*.asp$
您可將此模式匹配與 Allow 指令配合使用。例如，如果 ? 表示一個會話 ID，您可排除所有包含該 ID 的網址，確保 Googlebot 不會抓取重複的網頁。但是，以 ? 結尾的網址可能是您要包含的網頁版本。在此情況下，可對 robots.txt 檔案進行如下設定：
User-agent:*
Allow:/*?$
Disallow:/*?
Disallow:/ *?
一行將攔截包含 ? 的網址（具體而言，它將攔截所有以您的域名開頭、後接任意字元串，然後是問號 (?)，而後又是任意字元串的網址）。
Allow: /*?$ 一行將允許包含任何以 ? 結尾的網址（具體而言，它將允許包含所有以您的域名開頭、後接任意字元串，然後是問號 (?)，問號之後沒有任何字元的網址）。Robots Meta標籤
Robots.txt檔案主要是限制整個站點或者目錄的搜尋引擎訪問情況，而Robots Meta標籤則主要是針對一個個具體的頁面。和其他的META標籤（如使用的語言、頁面的描述、關鍵字等）一樣，Robots Meta標籤也是放在頁面的中，專門用來告訴搜尋引擎ROBOTS如何抓取該頁的內容。
Robots Meta標籤中沒有大小寫之分，name=”Robots”表示所有的搜尋引擎，可以針對某個具體搜尋引擎寫為name=”BaiduSpider”。content部分有四個指令選項：index、noindex、follow、nofollow，指令間以“,”分隔。
index指令告訴搜尋機器人抓取該頁面；
follow指令表示搜尋機器人可以沿著該頁面上的連結繼續抓取下去；
Robots Meta標籤的預設值是index和follow，只有inktomi除外，對於它，預設值是index、nofollow。
需要注意的是：上述的robots.txt和Robots Meta標籤限制搜尋引擎機器人（ROBOTS）抓取站點內容的辦法只是一種規則，需要搜尋引擎機器人的配合才行，並不是每個ROBOTS都遵守的。
目前看來，絕大多數的搜尋引擎機器人都遵守robots.txt的規則，而對於RobotsMETA標籤，目前支持的並不多，但是正在逐漸增加，如著名搜尋引擎GOOGLE就完全支持，而且GOOGLE還增加了一個指令“archive”，可以限制GOOGLE是否保留網頁快照。
非標準擴展協定
Crawl-delay 指令：幾大抓取工具支持Crawl-delay參數，設定為多少秒，以等待同伺服器之間連續請求，如：
User-agent:
*Crawl-delay:10
常見Robots名字
名稱 搜尋引擎
google蜘蛛： googlebot
百度蜘蛛：baiduspider
yahoo蜘蛛：slurp
alexa蜘蛛：ia_archiver
msn蜘蛛：msnbot
altavista蜘蛛：scooter
lycos蜘蛛： lycos_spider_(t-rex)
alltheweb蜘蛛： fast-webcrawler/
inktomi蜘蛛： slurp
一個線上寫robots.txt的工具。
最後需要注意，robots.txt檔案名稱必須是小寫，而且放在網站根目錄
Robots META標籤的寫法
Robots META標籤中沒有大小寫之分，name=”Robots”表示所有的搜尋引擎，可以針對某個具體搜尋引擎寫為name=”BaiduSpider”。 content部分有四個指令選項：index、noindex、follow、nofollow，指令間以“,”分隔。
INDEX 指令告訴搜尋機器人抓取該頁面；
FOLLOW 指令表示搜尋機器人可以沿著該頁面上的連結繼續抓取下去；
Robots Meta標籤的預設值是INDEX和FOLLOW，只有inktomi除外，對於它，預設值是INDEX,NOFOLLOW。
這樣，一共有四種組合：
<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”>可以寫成<META NAME=”ROBOTS” CONTENT=”ALL”>；
<META NAME=”ROBOTS” CONTENT=”NOINDEX,NOFOLLOW”>可以寫成<META NAME=”ROBOTS” CONTENT=”NONE”>
目前看來，絕大多數的搜尋引擎機器人都遵守robots.txt的規則，而對於Robots META標籤，目前支持的並不多，但是正在逐漸增加，如著名搜尋引擎GOOGLE就完全支持，而且GOOGLE還增加了一個指令“archive”，可以限制GOOGLE是否保留網頁快照。例如：
<META NAME=”googlebot” CONTENT=”index,follow,noarchive”>
表示抓取該站點中頁面並沿著頁面中連結抓取，但是不在GOOLGE上保留該頁面的網頁快照。
禁止抓取圖片
User-agent: *
Disallow: .jpg$
jpg可以代替為gif，png 等等...
禁止快照
要防止所有搜尋引擎顯示您網站的快照，請將此元標記置入網頁的 <HEAD> 部分：
<meta name="robots" content="noarchive">
要允許其他搜尋引擎顯示快照，但僅防止搜尋引擎顯示，請使用以下標記：
<meta name="Baiduspider" content="noarchive">
百度robots中的user-agent
百度各個產品使用不同的user-agent：
無線搜尋 | Baiduspider-mobile |
圖片搜尋 | Baiduspider-image |
視頻搜尋 | Baiduspider-video |
新聞搜尋 | Baiduspider-news |
百度搜藏 | Baiduspider-favo |
百度聯盟 | Baiduspider-cpro |
商務搜尋 | Baiduspider-ads |
網頁以及其他搜尋 | Baiduspider |
