robots.txt用法详解

robots.txt是一个纯文本文件，是搜索引擎蜘蛛爬行网站的时候要访问的第一个文件，当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，相当于网站与搜索引蜘蛛遵循协议，如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被屏蔽的网页，作为站长，我们就可以通过robots.txt文件屏蔽掉错误的页面和一些不想让蜘蛛爬取和收录的页面，那么robots.txt该怎么样写呢?

robots的语法：

1. User-agent 定义搜索引擎。一般情况下，网站里面都是：User-agent: *，这里*的意思是所有，表示定义所有的搜索引擎。比如，我想定义百度，那么就是User-agent: Baiduspider;定义google，User-agent: Googlebot。
2. Disallow 禁止爬取。如，我想禁止爬取我的admin文件夹，那就是Disallow: /admin/。禁止爬取admin文件夹下的login.html，
   Disallow: /admin/login.html。
3. Allow 允许。我们都知道，在默认情况下，都是允许的。那为什么还要允许这个语法呢?举个例子：我想禁止admin文件夹下的所有文件，除了.html的网页，那怎么写呢?我们知道可以用Disallow一个一个禁止，但那样太费时间很精力了。这时候运用Allow就解决了复杂的问题，就这样写：
   Allow: /admin/.html$
   Disallow: /admin/。
4. $ 结束符。例：Disallow: .php$ 这句话的意思是，屏蔽所有的以.php结尾的文件，不管前面有多长的URL，如abc/aa/bb//index.php也是屏蔽的。
5. * 通配符符号0或多个任意字符。例：Disallow: *?* 这里的意思是屏蔽所有带“?”文件，也是屏蔽所有的动态URL。

robots.txt文件写法举例说明

• 禁止Google/百度等所有搜索引擎访问整个网站
  

  1 2	User-agent: * Disallow: /

• 允许所有的搜索引擎spider访问整个网站(Disallow:可以用Allow: /替代)
  

  1 2	User-agent: * Allow: /

• 禁止Baiduspider访问您的网站，Google等其他搜索引擎不阻止
  

  1 2	User-agent: Baiduspider Disallow: /

• 只允许Google spider： Googlebot访问您的网站，禁止百度等其他搜索引擎
  

  1 2 3 4

  User-agent: Googlebot Disallow: User-agent: * Disallow: /

• 禁止搜索引擎蜘蛛spider访问指定目录
  (spider不访问这几个目录。每个目录要分开声明，不能合在一起)

  1 2 3 4

  User-agent: * Disallow: /cgi-bin/ Disallow: /admin/ Disallow: /~jjjj/

• 禁止搜索引擎spider访问指定目录，但允许访问该指定目录的某个子目录
  

  1 2 3

  User-agent: * Allow: /admin/far Disallow: /admin/

• 使用通配符星号”*”设置禁止访问的url
  (禁止所有搜索引擎抓取/cgi-bin/目录下的所有以”.html”格式的网页(包含子目录))

  1 2	User-agent: * Disallow: /cgi-bin/*.html

• 使用美元符号”$”设置禁止访问某一后缀的文件
  (只允许访问以”.html”格式的网页文件。)

  1 2 3

  User-agent: * Allow: .html$ Disallow: /

• 阻止google、百度等所有搜索引擎访问网站中所有带有?的动态网址页面
  

  1 2	User-agent: * Disallow: /*?*

• 阻止Google spider：Googlebot访问网站上某种格式的图片
  (禁止访问.jpg 格式的图片)

  1 2	User-agent: Googlebot Disallow: .jpg$

• 只允许Google spider：Googlebot抓取网页和.gif格式图片
  (Googlebot只能抓取gif格式的图片和网页，其他格式的图片被禁止；
  其他搜索引擎未设置)

  1 2 3

  User-agent: Googlebot Allow: .gif$ Disallow: .jpg$

• 只禁止Google spider：Googlebot抓取.jpg格式图片
  (其他搜索引擎和其他格式图片没有禁止)

  1 2	User-agent: Googlebot Disallow: .jpg$

声明网站地图sitemap
这个告诉搜索引擎你的sitemap在哪，如：

Google和百度对robots.txt文件的介绍： Google robotstxt，百度 robots.txt。
PS：
国内的搜索引擎蜘蛛

1. 百度蜘蛛：baiduspider
2. 搜狗蜘蛛：sogou spider
3. 有道蜘蛛：YodaoBot和OutfoxBot
4. 搜搜蜘蛛： Sosospider

国外的搜索引擎蜘蛛

1. google蜘蛛： googlebot
2. yahoo蜘蛛：Yahoo！ Slurp
3. alexa蜘蛛：ia_archiver
4. bing蜘蛛（MSN）：msnbot