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:-www-***-com/sitemaps/sitemaps.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的几个关键语法：

 

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、列举一些robots.txt 具体用法：

 

（1）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。

 

（2）仅禁止某个机器人访问您的网站，如Baiduspider。

 

User-agent: Baiduspider

 

Disallow: /

 

3、仅允许某个机器人访问您的网站，如Baiduspider。

 

User-agent: Baiduspider

 

Disallow:

 

User-agent: *

 

Disallow: /

 

4、禁止访问特定目录
 

 

User-agent: *

 

Disallow: /admin/

 

Disallow: /css/

 

Disallow: