robots协议的功能
告知搜索引擎哪些页面也已被抓取，哪些页面不能被抓取；可以屏蔽一些网站中比较大的文件，如：图片，音乐，视频等，节省服务器带宽；可以屏蔽站点的一些死链接。方便搜索引擎抓去网站内容；设置网站地图连接，方便引导蜘蛛爬取页面。
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$允许抓取网页和gif格式图片
robots.txt文件用法举例
例1.禁止所有搜索引擎访问网站的任何部分
User-agent:*
Disallow:/
实例分析：淘宝网的Robots.txt文件
User-agent:Baiduspider
Disallow:/
User-agent:baiduspider
Disallow:/
很显然淘宝不允许百度的机器人访问其网站下其所有的目录。
例2.允许所有的robot访问(或者也可以建一个空文件“/robots.txt”file)
User-agent:*
Allow:
例3.禁止某个搜索引擎的访问
User-agent:BadBot
Disallow:/
例4.允许某个搜索引擎的访问
User-agent:Baiduspider
allow:/
[OT_page]
例5.一个简单例子
在这个例子中，该网站有三个目录对搜索引擎的访问做了限制，即搜索引擎不会访问这三个目录。
需要注意的是对每一个目录必须分开声明，而不要写成“Disallow:/cgi-bin//tmp/”。
User-agent:后的*具有特殊的含义，代表“anyrobot”，所以在该文件中不能有“Disallow:/tmp/*”or“Disallow:*.gif”这样的记录出现。
User-agent:*
Disallow:/cgi-bin/
Disallow:/tmp/
Disallow:/~joe/
Robot特殊参数：
允许Googlebot：
如果您要拦截除Googlebot以外的所有漫游器不能访问您的网页，可以使用下列语法：
User-agent:
Disallow:/
User-agent:Googlebot
Disallow:
Googlebot跟随指向它自己的行，而不是指向所有漫游器的行。
“Allow”扩展名：
Googlebot可识别称为“Allow”的robots.txt标准扩展名。其他搜索引擎的漫游器可能无法识别此扩展名，因此请使用您感兴趣的其他搜索引擎进行查找。“Allow”行的作用原理完全与“Disallow”行一样。只需列出您要允许的目录或页面即可。
您也可以同时使用“Disallow”和“Allow”。例如，要拦截子目录中某个页面之外的其他所有页面，可以使用下列条目：
User-agent:Googlebot
Disallow:/folder1/
Allow:/folder1/myfile.html
这些条目将拦截folder1目录内除myfile.html之外的所有页面。
如果您要拦截Googlebot并允许Google的另一个漫游器（如Googlebot-Mobile），可使用”Allow”规则允许该漫游器的访问。例如：
User-agent:Googlebot
Disallow:/
User-agent:Googlebot-Mobile
Allow:
使用*号匹配字符序列：
您可使用星号(*)来匹配字符序列。例如，要拦截对所有以private开头的子目录的访问，可使用下列条目：User-Agent:Googlebot
Disallow:/private*/
要拦截对所有包含问号(?)的网址的访问，可使用下列条目：
User-agent:*
Disallow:/*?*
使用$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）。[OT_page]
Robots其它属性的使用
1.Robot-version:用来指定robot协议的版本号
例子:Robot-version:Version2.0
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:40/1m0100-0759在1:00到07:59之间,以每分钟40次的频率进行访问
Request-rate:12/1m0800-1300在8:00到13:00之间,以每分钟12次的频率进行访问
RobotsMeta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RobotsMeta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，RobotsMeta标签也是放在页面中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。
RobotsMeta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；
RobotsMeta标签的缺省值是index和follow，只有inktomi除外，对于它，缺省值是index、nofollow。
注意
上述的robots.txt和RobotsMeta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。
共有条评论 网友评论