robots.txt
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。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，那么可以将自定的设置合并到根目录下的robots.txt，或者使用robots元数据（Metadata）。
robots.txt协议并不是一个规范，而只是约定俗成的，所以并不能保证网站的隐私。注意robots.txt是用字符串比较来确定是否获取URL，所以目录末尾有与没有斜杠“/”表示的是不同的URL。robots.txt允许使用类似“Disallow: *.gif”这样的通配符[1][2]。
其他的影响搜索引擎的行为的方法包括使用robots元数据：
<meta name="robots" content="noindex,nofollow" />
这个协议也不是一个规范，而只是约定俗成的，有些搜索引擎会遵守这一规范，有些则不然。通常搜索引擎会识别这个元数据，不索引这个页面，以及这个页面的链出页面。
例子
编辑允许所有的机器人：
User-agent: *
Disallow:
另一写法
User-agent: *
Allow:/
仅允许特定的机器人：（name_spider用真实名字代替）
User-agent: name_spider
Allow:
拦截所有的机器人：
User-agent: *
Disallow: /
禁止所有机器人访问特定目录：
User-agent: *
Disallow: /cgi-bin/
Disallow: /images/
Disallow: /tmp/
Disallow: /private/
仅禁止坏爬虫访问特定目录（BadBot用真实的名字代替）：
User-agent: BadBot
Disallow: /private/
禁止所有机器人访问特定文件类型[2]：
User-agent: *
Disallow: /*.php$
Disallow: /*.js$
Disallow: /*.inc$
Disallow: /*.css$
非标准扩展协议
编辑自动发现Sitemaps文件
编辑Sitemap指令被几大搜索引擎支持（包括Google、Yahoo、Bing和Ask），指定了网站Sitemaps文件的位置。Sitemaps文件包含了网站页面所在的URL的一个列表。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。[3]
唯一要注意的就是要使用网站地图指令，<sitemap_location>,并将URL的“location”值换成网站地图的地址，例如，下面就是一个网站地图指令的例子：
Sitemap: <http://www.example.com/sitemap.xml>
如何编写Sitemaps文件，请参考sitemaps.org（页面存档备份，存于互联网档案馆）（英文）上的说明。
Crawl-delay指令
编辑几大抓取工具支持Crawl-delay参数，设置为多少秒，以等待同服务器之间连续请求：[4][5]
User-agent: *
Crawl-delay: 10
Allow指令
编辑替代
编辑虽然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>
参考文献
编辑- ^ 使用robots.txt文件阻止或删除网页 (HTML). Google网站站长工具帮助. [2012-10-16]. （原始内容存档于2012-10-18）.
- ^ 2.0 2.1 完全指南：如何写好WordPress博客的robots.txt文件. The Observing Mind. [2013-02-14]. （原始内容 (HTML)存档于2013-09-15）.
- ^ Jerri L.Ledord著马煜译. 搜索引擎优化宝典. : 257.
- ^ How can I reduce the number of requests you make on my web site? (HTML). Yahoo! Slurp. [2007-02-08]. （原始内容存档于2007-02-08） （英语）.
- ^ MSNBot is crawling a site too frequently. Troubleshoot issues with MSNBot and site crawling. [2007-02-08]. （原始内容 (HTML)存档于2007-02-20） （英语）.
- ^ 如何拦截Googlebot（谷歌网站站长工具帮助）（简体中文）
外部链接
编辑- The Web Robots Pages（页面存档备份，存于互联网档案馆）
- Robots.txt规范 （页面存档备份，存于互联网档案馆）于Google
- 建立robots.txt文件 （页面存档备份，存于互联网档案馆）的说明于Google