对于网站文件除了一般的网页内容之外，还有sitemap和robots文件。这两个文件比较特殊，上次我们已经介绍了sitemap的的相关内容，这次我们一起来看一下什么是网站robots.txt ?我们应该怎么做好robots文件?

一、什么是网站robots.txt?

robots.txt是一个纯文本文件，是爬虫抓取网站的时候要查看的第一个文件，一般位于网站的根目录下。robots.txt文件定义了爬虫在爬取该网站时存在的限制，哪些部分爬虫可以爬取，哪些不可以爬取(防君子不防小人)，也限制了某些搜索引擎爬虫的爬取。

二、什么时候使用robots.txt文件?

1、屏蔽网站重复页

有些网站为了方便用户浏览而对一个内容提供多种浏览版本，但是蜘蛛分不清哪个是主，哪个是次，因此需要屏蔽网站重复页。

2、保护网站安全

一些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://域名/sitemap.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： /

三、怎么对网站的robots.txt进行设置?

robots.txt的几个关键语法：

1、User-agent: 描述搜索引擎spider的名字。在“robots.txt“文件中，如果有多条 User-agent记录，说明有多个robot会受到该协议的约束。所以，“robots.txt”文件中至少要有一条User- agent记录。如果该项的值设为*(通配符)，则该协议对任何搜索引擎机器人均有效。在“robots.txt”文件 中，“User-agent：*”这样的记录只能有一条。

2、Disallow: 要拦截的网址,不允许机器人访问。

3、Allow: 允许访问的网址

4、”*” : 通配符—匹配0或多个任意字符。

5、”$” : 匹配行结束符。

6、”#” : 注释—说明性的文字,不写也可。

7、Googlebot: 谷歌搜索机器人(也叫搜索蜘蛛)。

8、Baiduspider: 百度搜索机器人(也叫搜索蜘蛛)。

9、目录、网址的写法:都以以正斜线 (/) 开头。

四、一些robots.txt的具体用法!

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:

5、要拦截对所有包含问号 (?) 的网址的访问(具体地说，这种网址以您的域名开头、后接任意字符串，然后接问号，而后又接任意字符串)，请使用以下内容：

User-agent: *

Disallow: /*?

要指定与某个网址的结尾字符相匹配，请使用 $。例如，要拦截以 .xls 结尾的所有网址，请使用以下内容：

User-agent: *

Disallow: /*.xls$

您可将此模式匹配与 Allow 指令配合使用。例如，如果 ? 代表一个会话 ID，那么您可能希望排除包含 ? 的所有网址，以确保 Googlebot 不会抓取重复网页。但是以 ? 结尾的网址可能是您希望包含在内的网页的版本。在此情况下，您可以对您的 robots.txt 文件进行如下设置：

User-agent: *

Allow: /*?$

Disallow: /*?

Disallow: /*? 指令会阻止包含 ? 的所有网址(具体地说，它将拦截所有以您的域名开头、后接任意字符串，然后接问号，而后又接任意字符串的网址)。

Allow: /*?$ 指令将允许以 ? 结尾的任何网址(具体地说，它将允许所有以您的域名开头、后接任意字符串，然后接 ?，? 之后不接任何字符的网址)。

当然我们可以根据知名网站的robots.txt文件来修改而成，也可以使用爱站等工具按照自己的要求生成robots.txt文件。文件上传后要验证robots是否生效，在百度站长Robots里面优化检测更新，这样就可以让它生效了!

版权免责声明: 本站内容部分来源于网络，请自行鉴定真假。如有侵权，违法，恶意广告，虚假欺骗行为等以上问题联系我们删除。
本文地址：https://kamengsl.com/article/view/923.html