网络爬虫排除协议robots.txt介绍及写法详解.

以上内容转载自：http://www.xgezhang.com/serach_engine_robots.html

Robots协议的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），它的功能是通过Robots文件告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取，抓取的标准等。它以一个文本文件的形式放在网站的根目录中，用任何一个常见的文本编辑器都可以对其进行修改和编辑。对于站长来说，合理的书写robots.txt文件可以更合理的利用搜索引擎，屏蔽掉一些低质量的页面，提高网站质量和对搜索引擎的友好度。

具体写法如下：

（*为通配符）

User-agent: * 代表的所有的搜索引擎种类，

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

比如：

例1.禁止所有搜索引擎访问所有页面：

User-agent: *

Disallow: /

比如淘宝网就是这样写的，显然它不愿意搜索引擎收录太多的内页。

如果是允许所有搜索引擎访问，则把Disallow改为allow，或者直接在根目录放置一个空的robots.txt文件

例2.允许百度蜘蛛访问所有页面

User-agent: Baiduspider

allow:/

例3.禁止所有搜索引擎访问某些特定目录下的网站：

User-agent: *
Disallow: /01/
Disallow: /02/
Disallow: /03/

例4.为网站添加google site-map，比如这里添加本站的sitemap，在文件后面加上

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

写完后可以用google robots.txt检测器检测下语法是否正确，或者用一些站长工具分析一下。

如果不想自己写，网上也有robots自动生成器，也还是不错。