robots文件是什么？應該如何書寫

搜索引擎通過一種程序robot（又稱spider），自動訪問互聯(lián)網(wǎng)上的網(wǎng)頁并獲取網(wǎng)頁信 息。您可以在您的網(wǎng)站中創(chuàng)建一個純文本文件robots.txt，在這個文件中聲明該網(wǎng)站中不想被robot 訪問的部分，這樣，該網(wǎng)站的部分或全部內(nèi)容就可以不被搜索引擎收錄了，或者指定搜 索引擎只收錄指定的內(nèi)容。

2. robots.txt文件放在哪里？

robots.txt文件應該放在網(wǎng)站根目錄下。舉例來說，當搜索引擎訪問一個網(wǎng)站時，首先會檢查該網(wǎng)站中是否存在robots.txt這個文件，如果robots機器人程序找到這個文件，它就會根據(jù)這個文件的內(nèi)容，來確定它訪問權(quán)限的范圍。

wordpress的robots文件位置

沒在wordpress網(wǎng)站根節(jié)目上傳過robots.txt,當搜尋引擎和用戶拜訪某個文件時，wordpress程序會主動生成一個robots.txt給搜尋引擎和用戶;若是我們上傳編寫的robots.txt到網(wǎng)站根節(jié)目，用戶和搜尋引擎蛛蛛拜訪的就是我們上傳的文件，wordpress就不會再產(chǎn)生那個文件了。只有服務器找不到robots的時候wordpress才會生成這個文件。

網(wǎng)站URL相應的robots.txt的URL：

//qn1.10soo.net/shisou/                 //qn1.10soo.net/shisou/robots.txt 

//qn1.10soo.net/shisou:80/              //qn1.10soo.net/shisou:80/robots.txt 

//qn1.10soo.net/shisou:1234/            //qn1.10soo.net/shisou:1234/robots.txt 

//qn1.10soo.net/shisou/                      //qn1.10soo.net/shisou/robots.txt

文件格式

“robots.txt”文件包含一條或多條記錄，這些記錄通過空行分開（以CR、CR/NL、or NL作為結(jié)束符），每一條記錄的格式如下所示：

“<field>:<optionalspace><value><optionalspace>”

在該文件中可以使用#進行注釋，具體使用方法和UNIX中的慣例一樣。該文件中的記錄通常以一行或多行User-agent開始，后面加上若干Disallow行，詳細情況如下：

User-agent：

該項的值用于描述搜索引擎機器人robot的名字。在“robots.txt”文件中，如果有多條 User-agent記錄，說明有多個robot會受到該協(xié)議的約束。所以，“robots.txt”文件中至少要有一條User- agent記錄。如果該項的值設(shè)為*（通配符），則該協(xié)議對任何搜索引擎機器人均有效。在“robots.txt”文件 中，“User-agent：*”這樣的記錄只能有一條。

Disallow：

該項的值用于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都不允許搜索引擎訪問， 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(wǎng)站的所有部分都允許被訪問，在 “/robots.txt”文件中，至少要有一條Disallow記錄。如果“/robots.txt”是一個空文 件，則對于所有的搜索引擎robot，該網(wǎng)站都是開放的。

robots.txt文件用法舉例：

例1、禁止所有搜索引擎訪問網(wǎng)站的任何部分

User-agent: *

Disallow: /

例2、允許所有的robot訪問

User-agent: *

Disallow:

（或者也可以建一個空文件 "/robots.txt" file）

例3、禁止某個搜索引擎的訪問

User-agent: BadBot

Disallow: /

例4、允許某個搜索引擎的訪問

User-agent: Baiduspider

Disallow:

User-agent: *

Disallow: /

例5、假設(shè)某個網(wǎng)站有三個目錄對搜索引擎的訪問做了限制，可以這么寫：

User-agent: *

Disallow: /cgi-bin/

Disallow: /tmp/

Disallow: /joe/

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/”。

例6：禁止搜索引擎收錄以.jpg結(jié)尾的所有圖片文件

User-agent: *

Disallow: :/*.jpg$

User-agent：后的*（通配符） 具有特殊的含義，代表“any robot”，所以在該文件中不能有 “Disallow: /tmp/*” or “Disallow: *.gif ”這樣的記錄出現(xiàn)。

另外，robots.txt主要作用是保障網(wǎng)絡安全與網(wǎng)站隱私，百度蜘蛛遵循robots.txt協(xié)議。通過根目錄中創(chuàng)建的純文本文件robots.txt，網(wǎng)站就可以聲明哪些頁面不想被百度蜘蛛爬行并收錄，每個網(wǎng)站都可以自主控制網(wǎng)站是否愿意被百度蜘蛛收錄，或者指定百度蜘蛛只收錄指定的內(nèi)容。當百度蜘蛛訪問某個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，如果該文件不存在，那么爬蟲就沿著鏈接抓取，如果存在，爬蟲就會按照該文件中的內(nèi)容來確定訪問的范圍。

一般屏蔽

屏蔽隱私頁面，后臺登陸頁面，緩存頁面，圖片目錄，css目錄，模板頁面，屏蔽雙頁面的內(nèi)容，同時可以屏蔽一些質(zhì)量比較差的頁面，例如金網(wǎng)的所有會員用戶空間頁面，dz的動態(tài)鏈接也可以設(shè)置屏蔽。通過Disallow：命令來進行設(shè)置。

使用技巧

每當用戶試圖訪問某個不存在的URL時，服務器都會在日志中記錄404錯誤（無法找到文件）。每當搜索蜘蛛來尋找并不存在的robots.txt文件時，服務器也將在日志中記錄一條404錯誤，所以你應該在網(wǎng)站中添加一個robots.txt。

網(wǎng)站管理員必須使搜索引擎機器人程序遠離服務器上的某些目錄，以保證服務器性能。比如：大多數(shù)網(wǎng)站服務器都有程序儲存在“cgi-bin”目錄下，因此在robots.txt文件中加入“Disallow: /cgi-bin”是個好主意，這樣能夠避免所有程序文件都被蜘蛛索引，以達到節(jié)省服務器資源的效果。

一般網(wǎng)站中不需要蜘蛛抓取的文件有：后臺管理文件、程序腳本、附件、數(shù)據(jù)庫文件、編碼文件、樣式表文件、模板文件、導航圖片和背景圖片等等。

下面是VeryCMS里的robots.txt文件：

User-agent: *

Disallow: /admin/ 后臺管理文件

Disallow: /require/程序文件

Disallow: /attachment/ 附件

Disallow: /images/ 圖片

Disallow: /data/數(shù)據(jù)庫文件

Disallow: /template/ 模板文件

Disallow: /css/ 樣式表文件

Disallow: /lang/ 編碼文件

Disallow: /script/腳本文件

Disallow: /js/js文件

如果你的網(wǎng)站是動態(tài)網(wǎng)頁，并且你為這些動態(tài)網(wǎng)頁創(chuàng)建了靜態(tài)副本，以供搜索蜘蛛更容易抓取。那么你需要在robots.txt文件里設(shè)置避免動態(tài)網(wǎng)頁被蜘蛛索引，以保證這些網(wǎng)頁不會被視為是網(wǎng)站重復的內(nèi)容。

robots.txt文件里還可以直接包括在sitemap文件的鏈接。就像這樣：

Sitemap: http://www.***.com/sitemap.xml

不要以為Web Robot是毫無組織，毫無管束地亂跑。很多Web Robot軟件給網(wǎng)絡站點的 管理員或網(wǎng)頁內(nèi)容制作者提供了兩種方法來限制Web Robot的行蹤：

 1、Robots Exclusion Protocol 協(xié)議

網(wǎng)絡站點的管理員可以在站點上建立一個專門格式的文件，來指出站點上的哪一部分 可以被robot訪問, 這個文件放在站點的根目錄下，即 robots.txt."  http://.../robots.txt. 

   2、Robots META tag

  一個網(wǎng)頁作者可以使用專門的HTML META tag ，來指出某一個網(wǎng)頁是否可以被索 引、分析或鏈接。

  這些方法適合于大多數(shù)的Web Robot，至于是否在軟件中實施了這些方法，還依賴于 Robot的開發(fā)者，并非可以保證對任何Robot都靈驗。如果 你迫切需要保護自己內(nèi)容，則應考慮采用諸如增加密碼等其他保護方法。

  使用Robots Exclusion Protocol協(xié)議

當Robot訪問一個 Web 站點時，它先去檢查文件robots.txt。如果這個文件存在，它便會按照這樣的記錄格式去分析：

User-agent: * 

Disallow: /cgi-bin/ 

Disallow: /tmp/ 

Disallow: /~joe/

  以確定它是否應該檢索站點的文件。這些記錄是專門給Web Robot看的，一般的瀏覽者大概永遠不會看到這個文件，所以千萬不要異想天開地在 里面加入形似<img src=*> 類的HTML語句或是How do you do? where are you from?之類假情假意的問候語。

  在一個站點上只能有一個 "/robots.txt" 文件，而且文件名的每個字母要求全部是小 寫。在Robot的記錄格式中每一個單獨的"Disallow"行表 示你不希望Robot訪問的URL， 每個URL必須單獨占一行，不能出現(xiàn) "Disallow: /cgi-bin/ /tmp/"這樣的病句。同時在一個記錄中不能出現(xiàn)空 行，這是因為空行是多個記錄分割的標志。

  User-agent行指出的是Robot或其他代理的名稱。在User-agent行，''*'' 表示一個特殊的含義---所有的robot。

使用Robots META tag方式

Robots META tag 允許HTML網(wǎng)頁作者指出某一頁是否可以被索引，或是否可以用來查找更多的鏈接文件。目前只有部分robot實施了這一功能。

Robots META tag的格式為： 

META NAME="ROBOTS" CONTENT="NOINDEX, NOFOLLOW" 

像其他的META tag一樣，它應該放在HTML文件的HEAD區(qū)： 

<html>

<head>

<meta name="robots" content="noindex,nofollow">

<meta name="description" content="This page ...."> <title>...</title>

</head>

<body>

...

Robots META tag指令使用逗號隔開，可以使用的指令包括 [NO]INDEX 和[NO]FOLLOW。INDEX 指令指出一個索引性robot是否可以對本頁進行索 引；FOLLOW 指 令指出robot是否可以跟蹤本頁的鏈接。缺省的情況是INDEX和FOLLOW。例如：

<meta name="robots" content="index,follow">

<meta name="robots" content="noindex,follow">

<meta name="robots" content="index,nofollow"> 

<meta name="robots" content="noindex,nofollow">     

一個好的Web 站點管理員應該將robot的管理考慮在內(nèi)，使robot為自己的主頁服務， 同時又不損害自己網(wǎng)頁的安全。