robots.txt的正确用法
发布于
by
robots.txt（统一小写）是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络搜索引擎的漫…
robots.txt（统一小写）是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络搜索引擎的漫游器（又称网络蜘蛛），此网站中的哪些内容是不应被搜索引擎的漫游器获取的，哪些是可以被漫游器获取的。
robots.txt应小写且放置在网站根目录
因为一些系统中的URL是大小写敏感的，所以robots.txt的文件名应统一为小写。robots.txt应放置于网站的根目录下。
如果想单独定义搜索引擎的漫游器访问子目录时的行为，那么可以将自定义的设置合并到根目录下的robots.txt，或者使用robots元数据（Metadata，又称元数据）。
将robots.txt放置在网站的子目录中是无效的。
注意：robots.txt协议并不是一个规范，而只是一个约定而已（甚至有些爬虫不遵守该约定），所以并不能保证网站的隐私。
robots.txt指令
允许所有的搜索引擎爬虫：
User-agent: *
Disallow:或者另外一种写法：
User-agent: * Allow:/
User-agent是指定特点搜索引擎爬虫的，当值为*的时候，代表所有搜索引擎。
例如以下示例，允许百度搜索引擎抓取所有页面：
User-agent: Baiduspider
Allow:/常见的搜索引擎爬虫及相应名称：
| 爬虫名称 | 对应搜索引擎 |
| Baiduspider | 百度搜索 |
| Googlebot | 谷歌搜索 |
| Bingbot | 必应搜索 |
| 360Spider | 360搜索 |
| YoudaoBot | 有道搜索 |
| ChinasoSpider | 中国搜索 |
| Sosospider | 搜搜 |
| Yisouspider | 宜搜 |
| Sogou web spider Sogou inst spider Sogou spider2 Sogou blog Sogou News Spider Sogou Orion spider |
搜狗搜索 |
禁止所有爬虫访问特定目录：
User-agent: *
Disallow: /cgi-bin/
Disallow: /js/
Disallow: /tmp/
仅禁止谷歌访问特定目录：
User-agent: Googlebot
Disallow: /cgi-bin/
Disallow: /js/
Disallow: /tmp/
禁止所有机器人访问特定文件类型：
User-agent: * Disallow: /*.php$ Disallow: /*.js$ Disallow: /*.inc$ Disallow: /*.css$
自动发现Sitemaps文件
Sitemap指令被几大搜索引擎支持（包括百度、Google、Bing和搜狗），指定网站Sitemaps文件的位置。Sitemap指令并不受User-agent指令的限制，所以它可以放在robots.txt文件中的任意位置。示例：
Sitemap: <https://www.example.com/sitemap.xml>
替代方法
虽然robots.txt是最为广泛接受的方法，但也可以与robots META标签一起使用。robots META标签主要是针对一个独立的页面设置，与其他的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HEAD标签中，专门用来告诉搜索引擎robots如何抓取该页的内容。
<head>
<meta name="robots" content="noindex,nofollow" />
</head>除了在网站根目录中使用robots.txt文件之外，还可以使用添加“X-Robots-Tag”HTTP标头的方式来实现同样的功能。
类别：增涨知识、
本文收集自互联网，转载请注明来源。
如有侵权，请联系 wper_net@163.com 删除。
猜你喜欢GUESS YOU LIKE
评论功能已经关闭!