robots协议的常用写法

21fanqie

一、robots的写法：
User-agent: *   这里的*代表的所有的搜索引擎种类，*是一个通配符
Disallow: /admin/   这里定义是禁止爬寻admin目录下面的目录
Disallow: /require/   这里定义是禁止爬寻require目录下面的目录
Disallow: /ABC/   这里定义是禁止爬寻ABC目录下面的目录
Disallow: /cgi-bin/*.htm   禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。
Disallow: /*?*   禁止访问网站中所有包含问号 (?) 的网址
Disallow: /.jpg$   禁止抓取网页所有的.jpg格式的图片
Disallow:/ab/adc.html   禁止爬取ab文件夹下面的adc.html文件。
Allow: /cgi-bin/　这里定义是允许爬寻cgi-bin目录下面的目录
Allow: /tmp   这里定义是允许爬寻tmp的整个目录
Allow: .htm$   仅允许访问以".htm"为后缀的URL。
Allow: .gif$   允许抓取网页和gif格式图片
Sitemap:   网站地图 告诉爬虫这个页面是网站地图

二、robots写法举例：
例1. 禁止所有搜索引擎访问网站的任何部分
User-agent: *
Disallow: /
实例分析：淘宝网的 Robots.txt文件
User-agent: Baiduspider
Disallow: /
User-agent: baiduspider
Disallow: /
很显然淘宝不允许百度的机器人访问其网站下其所有的目录。

例2. 允许所有的robot访问 (或者也可以建一个空文件 “/robots.txt” file)
User-agent: *
Allow:　/

例3. 禁止某个搜索引擎的访问
User-agent: BadBot
Disallow: /

例4. 允许某个搜索引擎的访问
User-agent: Baiduspider
allow:/

例5.一个简单例子
在这个例子中，该网站有三个目录对搜索引擎的访问做了限制，即搜索引擎不会访问这三个目录。
需要注意的是对每一个目录必须分开声明，而不要写成 “Disallow: /cgi-bin/ /tmp/”。
User-agent:后的*具有特殊的含义，代表“any robot”，所以在该文件中不能有“Disallow: /tmp/*” or “Disallow:*.gif”这样的记录出现。

User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /~joe/

三、Robot特殊参数：
1.允许 Googlebot：
如果您要拦截除Googlebot以外的所有漫游器不能访问您的网页，可以使用下列语法：
User-agent:
Disallow: /
User-agent: Googlebot
Disallow:
Googlebot 跟随指向它自己的行，而不是指向所有漫游器的行。

2.“Allow”扩展名：
       Googlebot 可识别称为“Allow”的 robots.txt 标准扩展名。其他搜索引擎的漫游器可能无法识别此扩展名，因此请使用您感兴趣的其他搜索引擎进行查找。“Allow”行的作用原理完全与“Disallow”行一样。只需列出您要允许的目录或页面即可。
您也可以同时使用“Disallow”和“Allow”。例如，要拦截子目录中某个页面之外的其他所有页面，可以使用下列条目：
User-agent: Googlebot
Allow: /folder1/myfile.html
Disallow: /folder1/
这些条目将拦截 folder1 目录内除 myfile.html 之外的所有页面。

                               
登录/注册后可看大图

        如果您要拦截 Googlebot 并允许 Google 的另一个漫游器（如 Googlebot-Mobile），可使用”Allow”规则允许该漫游器的访问。例如：
User-agent: Googlebot
Disallow: /
User-agent: Googlebot-Mobile
Allow:

3.使用 * 号匹配字符序列：
您可使用星号 (*) 来匹配字符序列。例如，要拦截对所有以 private 开头的子目录的访问，可使用下列条目：　
User-Agent: Googlebot
Disallow: /private*/

                               
登录/注册后可看大图

要拦截对所有包含问号 (?) 的网址的访问，可使用下列条目：
User-agent: *
Disallow: /*?*

4.使用 $ 匹配网址的结束字符
您可使用 $字符指定与网址的结束字符进行匹配。例如，要拦截以 .asp 结尾的网址，可使用下列条目：　
User-agent: Googlebot
Disallow: /*.asp$

                               
登录/注册后可看大图

您可将此模式匹配与 Allow 指令配合使用。例如，如果 ? 表示一个会话 ID，您可排除所有包含该 ID 的网址，确保 Googlebot 不会抓取重复的网页。但是，以 ? 结尾的网址可能是您要包含的网页版本。在此情况下，可对 robots.txt 文件进行如下设置：
User-agent: *
Allow: /*?$
Disallow: /*?
Disallow: / *?
一行将拦截包含 ? 的网址（具体而言，它将拦截所有以您的域名开头、后接任意字符串，然后是问号 (?)，而后又是任意字符串的网址）。
Allow: /*?$ 一行将允许包含任何以 ? 结尾的网址（具体而言，它将允许包含所有以您的域名开头、后接任意字符串，然后是问号 (?)，问号之后没有任何字符的网址）。

                               
登录/注册后可看大图

       尽管robots.txt已经存在很多年了，但是各大搜索引擎对它的解读都有细微差别。Google与百度都分别在自己的站长工具中提供了robots工具。如果您编写了robots.txt文件，建议您在这两个工具中都进行测试，因为这两者的解析实现确实有细微差别。

                               
登录/注册后可看大图

四、robots的其它属性
1. Robot-version: 用来指定robot协议的版本号
例子: Robot-version: Version 2.0
2.Crawl-delay：雅虎YST一个特定的扩展名，可以通过它对我们的抓取程序设定一个较低的抓取请求频率。您可以加入Crawl-delay:xx指示，其中，“XX”是指在crawler程序两次进入站点时，以秒为单位的最低延时。
3. Visit-time:只有在visit-time指定的时间段里,robot才可以访问指定的URL,否则不可访问.
例子: Visit-time: 0100-1300 #允许在凌晨1:00到13:00访问
4. Request-rate: 用来限制URL的读取频率
例子: Request-rate: 40/1m 0100 - 0759 在1:00到07:59之间,以每分钟40次的频率进行访问
Request-rate: 12/1m 0800 - 1300 在8:00到13:00之间,以每分钟12次的频率进行访问

                               
登录/注册后可看大图

来自：robots协议

21fanqie

一、robots.txt的基本语法

内容项的基本格式：键: 值对。

1）User-Agent键
后面的内容对应的是各个具体的搜索引擎爬行器的名称。如百度是Baiduspider，谷歌是Googlebot。

一般我们这样写：
User-Agent: *

表示允许所有搜索引擎蜘蛛来爬行抓取。如果只想让某一个搜索引擎蜘蛛来爬行，在后面列出名字即可。如果是多个，则重复写。
注意：User-Agent:后面要有一个空格。

在robots.txt中，键后面加：号，后面必有一个空格，和值相区分开。

2）Disallow键

该键用来说明不允许搜索引擎蜘蛛抓取的URL路径。
例如：Disallow: /index.php 禁止网站index.php文件

3）Allow键

该键说明允许搜索引擎蜘蛛爬行的URL路径
例如：Allow: /index.php 允许网站的index.php

4）通配符*

代表任意多个字符
例如：Disallow: /*.jpg 网站所有的jpg文件被禁止了。

5）结束符$

表示以前面字符结束的url。
例如：Disallow: /?$ 网站所有以?结尾的文件被禁止。

二、robots.txt实例分析

例1. 禁止所有搜索引擎访问网站的任何部分
User-agent: *
Disallow: /

例2. 允许所有的搜索引擎访问网站的任何部分
User-agent: *
Disallow:

例3. 仅禁止Baiduspider访问您的网站
User-agent: Baiduspider
Disallow: /

例4. 仅允许Baiduspider访问您的网站
User-agent: Baiduspider
Disallow:

例5. 禁止spider访问特定目录
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /data/

注意事项：1)三个目录要分别写。2)请注意最后要带斜杠。3)带斜杠与不带斜杠的区别。

例6. 允许访问特定目录中的部分url

我希望a目录下只有b.htm允许访问，怎么写?
User-agent: *
Allow: /a/b.htm
Disallow: /a/

注：允许收录优先级要高于禁止收录。

从例7开始说明通配符的使用。通配符包括(“$” 结束符;
“*”任意符)

例7. 禁止访问网站中所有的动态页面
User-agent: *
Disallow: /*?*

例8. 禁止搜索引擎抓取网站上所有图片
User-agent: *
Disallow: /*.jpg$
Disallow: /*.jpeg$
Disallow: /*.gif$
Disallow: /*.png$
Disallow: /*.bmp$

                               
登录/注册后可看大图

以上来自：http://fuwei.seowhy.com/7139.html