嘉兴网站建设过程中关于robots.txt的用途和使用方法
发布时间：2023-06-14 点击：124
什么是robots.txt？
robots.txtrobots.txt是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。
当一个搜索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；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口令保护的页面。
robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。
语法：最简单的 robots.txt 文件使用两条规则：
· user-agent: 适用下列规则的漫游器
· disallow: 要拦截的网页
robots.txt在seo中作用在进行网站优化的时候，经常会使用robots文件把一些内容不想让蜘蛛抓取，以前写过一篇网站优化robots.txt文件的运用 现在写这编文章在补充一点点知识！什么是robots.txt文件
搜索引擎通过一种爬虫spider程序（又称搜索蜘蛛、robot、搜索机器人等），自动搜集互联网上的网页并获取相关信息。
鉴于网络安全与隐私的考虑，搜索引擎遵循robots.txt协议。通过根目录中创建的纯文本文件robots.txt，网站可以声明不想被robots访问的部分。每个网站都可以自主控制网站是否愿意被搜索引擎收录，或者指定搜索引擎只收录指定的内容。当一个搜索引擎的爬虫访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果该文件不存在，那么爬虫就沿着链接抓取，如果存在，爬虫就会按照该文件中的内容来确定访问的范围。
robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。robots.txt文件的格式
user-agent: 定义搜索引擎的类型
disallow: 定义禁止搜索引擎收录的地址
allow: 定义允许搜索引擎收录的地址
我们常用的搜索引擎类型有：
google蜘蛛：googlebot
百度蜘蛛：baiduspider
yahoo蜘蛛：yahoo!slurp
alexa蜘蛛：ia_archiver
bing蜘蛛：msnbot
altavista蜘蛛：scooter
lycos蜘蛛：lycos_spider_(t-rex)
alltheweb蜘蛛：fast-webcrawler
inktomi蜘蛛： slurp
robots.txt文件的写法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的动态页面
disallow: /jpg$ 禁止抓取网页所有的.jpg格式的图片
disallow:/ab/adc.html 禁止爬去ab文件夹下面的adc.html文件。
user-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符
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robots.txt文件用法举例
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: /
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/
robot特殊参数：
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。
“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
disallow:/folder1/
allow:/folder1/myfile.html
这些条目将拦截 folder1 目录内除 myfile.html 之外的所有页面。
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:
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*/
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:/*?*
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$
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）。robots meta标签
robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况，而robots meta标签则主要是针对一个个具体的页面。和其他的meta标签（如使用的语言、页面的描述、关键词等）一样，robots meta标签也是放在页面的中，专门用来告诉搜索引擎robots如何抓取该页的内容。
robots meta标签中没有大小写之分，name=”robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=”baiduspider”。content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。
index指令告诉搜索机器人抓取该页面；
follow指令表示搜索机器人可以沿着该页面上的链接继续抓取下去；
robots meta标签的缺省值是index和follow，只有inktomi除外，对于它，缺省值是index、nofollow。
需要注意的是：上述的robots.txt和robots meta标签限制搜索引擎机器人（robots）抓取站点内容的办法只是一种规则，需要搜索引擎机器人的配合才行，并不是每个robots都遵守的。
目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于robotsmeta标签，目前支持的并不多，但是正在逐渐增加，如著名搜索引擎google就完全支持，而且google还增加了一个指令“archive”，可以限制google是否保留网页快照。
编辑本段robots.txt使用误区特别提示：robots里面内容的大小写不可更改，disallow后面的冒号必须为英文状态的。
误区一我网站上所有的文件都需要被蜘蛛抓取，那我就没必要添加robots.txt文件了。反正如果该文件不存在，所有的搜索蜘蛛将默认能够访问网站上所有没有被口令保护的页面。
每当用户试图访问某个不存在的url时，服务器都会在日志中记录404错误文件（无法找到文件）。每当搜索蜘蛛来寻找并不存在的robots.txt文件时，服务器也将在日志中记录一条404错误文件，所以你应该在网站中添加一个robots.txt。
误区二在robots.txt文件中设置所有的文件都可以被搜索蜘蛛抓取，这样可以增加网站的收录率。
网站中的脚本程序、样式表等文件即使被蜘蛛收录，也不会增加网站的收录率，还只会占用服务器存储空间。因此必须在robots.txt文件里设置不要让搜索蜘蛛索引脚本程序、样式表等文件，具体哪些文件需要排除，在robots.txt使用技巧一文中有详细介绍。
误区三搜索蜘蛛抓取网页太浪费服务器资源，在robots.txt文件中设置所有的搜索蜘蛛都不能抓取全部的网页。
如果这样的话，会导致整个网站不能被搜索引擎收录。
编辑本段robots.txt使用技巧
文件1. 每当用户试图访问某个不存在的url时，服务器都会在日志中记录404错误（无法找到文件）。每当搜索蜘蛛来寻找并不存在的robots.txt文件时，服务器也将在日志中记录一条404错误，所以你应该在网站中添加一个robots.txt。
2. 网站管理员必须使蜘蛛程序远离某些服务器上的目录——保证服务器性能。比如：大多数网站服务器都有程序储存在“cgi-bin”目录下，因此在robots.txt文件中加入“disallow: /cgi-bin”是个好主意，这样能够避免将所有程序文件被蜘蛛索引，可以节省服务器资源。一般网站中不需要蜘蛛抓取的文件有：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。
下面是verycms里的robots.txt文件：
use
搭建外贸网站平台需要注意的事项
做好网站定位根据浏览者需求做好网站建设
网上商城系统搭建方式有哪些？分析比较详解
如何制作自己的网站 网站建设都有哪些基本流程
网站建设的四个关键
营销型网站,让营销变得更简单
地方型网站怎么运营？
怎样维护好网站关键词排名呢
robots.txtrobots.txt是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。
当一个搜索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；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口令保护的页面。
robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。
语法：最简单的 robots.txt 文件使用两条规则：
· user-agent: 适用下列规则的漫游器
· disallow: 要拦截的网页
robots.txt在seo中作用在进行网站优化的时候，经常会使用robots文件把一些内容不想让蜘蛛抓取，以前写过一篇网站优化robots.txt文件的运用 现在写这编文章在补充一点点知识！什么是robots.txt文件
搜索引擎通过一种爬虫spider程序（又称搜索蜘蛛、robot、搜索机器人等），自动搜集互联网上的网页并获取相关信息。
鉴于网络安全与隐私的考虑，搜索引擎遵循robots.txt协议。通过根目录中创建的纯文本文件robots.txt，网站可以声明不想被robots访问的部分。每个网站都可以自主控制网站是否愿意被搜索引擎收录，或者指定搜索引擎只收录指定的内容。当一个搜索引擎的爬虫访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果该文件不存在，那么爬虫就沿着链接抓取，如果存在，爬虫就会按照该文件中的内容来确定访问的范围。
robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。robots.txt文件的格式
user-agent: 定义搜索引擎的类型
disallow: 定义禁止搜索引擎收录的地址
allow: 定义允许搜索引擎收录的地址
我们常用的搜索引擎类型有：
google蜘蛛：googlebot
百度蜘蛛：baiduspider
yahoo蜘蛛：yahoo!slurp
alexa蜘蛛：ia_archiver
bing蜘蛛：msnbot
altavista蜘蛛：scooter
lycos蜘蛛：lycos_spider_(t-rex)
alltheweb蜘蛛：fast-webcrawler
inktomi蜘蛛： slurp
robots.txt文件的写法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的动态页面
disallow: /jpg$ 禁止抓取网页所有的.jpg格式的图片
disallow:/ab/adc.html 禁止爬去ab文件夹下面的adc.html文件。
user-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符
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robots.txt文件用法举例
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: /
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/
robot特殊参数：
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。
“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
disallow:/folder1/
allow:/folder1/myfile.html
这些条目将拦截 folder1 目录内除 myfile.html 之外的所有页面。
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:
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*/
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:/*?*
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$
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）。robots meta标签
robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况，而robots meta标签则主要是针对一个个具体的页面。和其他的meta标签（如使用的语言、页面的描述、关键词等）一样，robots meta标签也是放在页面的中，专门用来告诉搜索引擎robots如何抓取该页的内容。
robots meta标签中没有大小写之分，name=”robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=”baiduspider”。content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。
index指令告诉搜索机器人抓取该页面；
follow指令表示搜索机器人可以沿着该页面上的链接继续抓取下去；
robots meta标签的缺省值是index和follow，只有inktomi除外，对于它，缺省值是index、nofollow。
需要注意的是：上述的robots.txt和robots meta标签限制搜索引擎机器人（robots）抓取站点内容的办法只是一种规则，需要搜索引擎机器人的配合才行，并不是每个robots都遵守的。
目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于robotsmeta标签，目前支持的并不多，但是正在逐渐增加，如著名搜索引擎google就完全支持，而且google还增加了一个指令“archive”，可以限制google是否保留网页快照。
编辑本段robots.txt使用误区特别提示：robots里面内容的大小写不可更改，disallow后面的冒号必须为英文状态的。
误区一我网站上所有的文件都需要被蜘蛛抓取，那我就没必要添加robots.txt文件了。反正如果该文件不存在，所有的搜索蜘蛛将默认能够访问网站上所有没有被口令保护的页面。
每当用户试图访问某个不存在的url时，服务器都会在日志中记录404错误文件（无法找到文件）。每当搜索蜘蛛来寻找并不存在的robots.txt文件时，服务器也将在日志中记录一条404错误文件，所以你应该在网站中添加一个robots.txt。
误区二在robots.txt文件中设置所有的文件都可以被搜索蜘蛛抓取，这样可以增加网站的收录率。
网站中的脚本程序、样式表等文件即使被蜘蛛收录，也不会增加网站的收录率，还只会占用服务器存储空间。因此必须在robots.txt文件里设置不要让搜索蜘蛛索引脚本程序、样式表等文件，具体哪些文件需要排除，在robots.txt使用技巧一文中有详细介绍。
误区三搜索蜘蛛抓取网页太浪费服务器资源，在robots.txt文件中设置所有的搜索蜘蛛都不能抓取全部的网页。
如果这样的话，会导致整个网站不能被搜索引擎收录。
编辑本段robots.txt使用技巧
文件1. 每当用户试图访问某个不存在的url时，服务器都会在日志中记录404错误（无法找到文件）。每当搜索蜘蛛来寻找并不存在的robots.txt文件时，服务器也将在日志中记录一条404错误，所以你应该在网站中添加一个robots.txt。
2. 网站管理员必须使蜘蛛程序远离某些服务器上的目录——保证服务器性能。比如：大多数网站服务器都有程序储存在“cgi-bin”目录下，因此在robots.txt文件中加入“disallow: /cgi-bin”是个好主意，这样能够避免将所有程序文件被蜘蛛索引，可以节省服务器资源。一般网站中不需要蜘蛛抓取的文件有：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。
下面是verycms里的robots.txt文件：
use
搭建外贸网站平台需要注意的事项
做好网站定位根据浏览者需求做好网站建设
网上商城系统搭建方式有哪些？分析比较详解
如何制作自己的网站 网站建设都有哪些基本流程
网站建设的四个关键
营销型网站,让营销变得更简单
地方型网站怎么运营？
怎样维护好网站关键词排名呢
下一篇：高端网站建设有哪些注意事项？