Robots.txt 文件详解,写法、生成、检测工具

发表于2016-12-27   904次阅读

Robots.txt 文件写法

Robots.txt 协议文件是对搜索引擎蜘蛛的控制。主流搜索引擎都遵守。本文主要介绍它的用法以及相关工具。

在该文件中可以使用#进行注解,具体使用方法和UNIX中的惯例一样。该文件中的记录通常以一行或多行User-agent开始,后面加上若干Disallow和Allow行,详细情况如下:

User-agent:该项的值用于描述搜索引擎robot的名字。在"robots.txt"文件中,如果有多条User-agent记录说明有多个robot会受到"robots.txt"的限制,对该文件来说,至少要有一条User-agent记录。如果该项的值设为,则对任何robot均有效,在"robots.txt"文件中,"User-agent:"这样的记录只能有一条。如果在"robots.txt"文件中,加入"User-agent:SomeBot"和若干Disallow、Allow行,那么名为"SomeBot"只受到"User-agent:SomeBot"后面的 Disallow和Allow行的限制。

Disallow:该项的值用于描述不希望被访问的一组URL,这个值可以是一条完整的路径,也可以是路径的非空前缀,以Disallow项的值开头的URL不会被 robot访问。例如"Disallow:/help"禁止robot访问/help.html、/helpabc.html、/help/index.html,而"Disallow:/help/"则允许robot访问/help.html、/helpabc.html,不能访问/help/index.html。"Disallow:"说明允许robot访问该网站的所有url,在"/robots.txt"文件中,至少要有一条Disallow记录。如果"/robots.txt"不存在或者为空文件,则对于所有的搜索引擎robot,该网站都是开放的。

Allow:该项的值用于描述希望被访问的一组URL,与Disallow项相似,这个值可以是一条完整的路径,也可以是路径的前缀,以Allow项的值开头的URL 是允许robot访问的。例如"Allow:/hibaidu"允许robot访问/hibaidu.htm、/hibaiducom.html、/hibaidu/com.html。一个网站的所有URL默认是Allow的,所以Allow通常与Disallow搭配使用,实现允许访问一部分网页同时禁止访问其它所有URL的功能。

Crawl-delay: 用来控制蜘蛛抓取频率,以秒为单位。以前雅虎和bing支持。百度不支持,相关设置需要走百度的站长平台。例如:

User-agent: bingbot
Crawl-delay: 10

Sitemap : 用来指定索引文件位置,例如:

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

使用""and"$":Baiduspider支持使用通配符""和"$"来模糊匹配url。"*" 匹配0或多个任意字符,"$" 匹配行结束符。

更多细节内容参考 百度站长学院文章

参考例子:

Robots.txt 自动生成工具

站长平台的工具比较好用,网址:http://tool.chinaz.com/robots/

这种工具网上有很多,比如:

Robots.txt 文件校验

可以使用百度的站长工具校验,网址:http://zhanzhang.baidu.com/robots

国外也有很多这类的校验工具,如: Robots.txt File Validator

主流搜索引擎一般都遵守 Robots.txt 协议,但不是强制,只能是“防君子不防小人”,别人要想抓你的数据,单靠 Robots.txt 文件是防不住的。

扩展阅读

维基百科 robots.txt