如何使用robots.txt及其詳解
在國內，網站管理者似乎對robots.txt并沒有引起多大重視，應一些朋友之請求，今天想通過這篇文章來簡單談一下robots.txt的寫作。
robots.txt基本介紹
robots.txt是一個純文本文件，在這個文件中網站管理者可以聲明該網站中不想被robots訪問的部分，或者指定搜索引擎只收錄指定的內容。
當一個搜索機器人（有的叫搜索蜘蛛）訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，如果存在，搜索機器人就會按照該文件中的內容來確定訪問的范圍；如果該文件不存在，那么搜索機器人就沿著鏈接抓取。
另外，robots.txt必須放置在一個站點的根目錄下，而且文件名必須全部小寫。
robots.txt寫作語法
首先，我們來看一個robots.txt范例：http://www.seovip.cn/robots.txt
訪問以上具體地址，我們可以看到robots.txt的具體內容如下：
# Robots.txt file from http://www.seovip.cn
# All robots will spider the domain
User-agent: *
Disallow:
以上文本表達的意思是允許所有的搜索機器人訪問www.seovip.cn站點下的所有文件。
具體語法分析：其中#后面文字為說明信息；User-agent:后面為搜索機器人的名稱，后面如果是*，則泛指所有的搜索機器人；Disallow:后面為不允許訪問的文件目錄。
下面，我將列舉一些robots.txt的具體用法：
允許所有的robot訪問
User-agent: *
Disallow:
或者也可以建一個空文件 "/robots.txt" file
禁止所有搜索引擎訪問網站的任何部分
User-agent: *
Disallow: /
禁止所有搜索引擎訪問網站的幾個部分（下例中的01、02、03目錄）
User-agent: *
Disallow: /01/
Disallow: /02/
Disallow: /03/
禁止某個搜索引擎的訪問（下例中的BadBot）
User-agent: BadBot
Disallow: /
只允許某個搜索引擎的訪問（下例中的Crawler）
User-agent: Crawler
Disallow:
User-agent: *
Disallow: /
另外，我覺得有必要進行拓展說明，對robots meta進行一些介紹：
Robots META標簽則主要是針對一個個具體的頁面。和其他的META標簽（如使用的語言、頁面的描述、關鍵詞等）一樣，Robots META標簽也是放在頁面的＜head＞＜/head＞中，專門用來告訴搜索引擎ROBOTS如何抓取該頁的內容。
Robots META標簽的寫法：
Robots META標簽中沒有大小寫之分，name=”Robots”表示所有的搜索引擎，可以針對某個具體搜索引擎寫為name=”BaiduSpider”。 content部分有四個指令選項：index、noindex、follow、nofollow，指令間以“,”分隔。
INDEX 指令告訴搜索機器人抓取該頁面；
FOLLOW 指令表示搜索機器人可以沿著該頁面上的鏈接繼續(xù)抓取下去；
Robots Meta標簽的缺省值是INDEX和FOLLOW，只有inktomi除外，對于它，缺省值是INDEX,NOFOLLOW。
這樣，一共有四種組合：
＜META NAME="ROBOTS" CONTENT="INDEX,FOLLOW"＞
＜META NAME="ROBOTS" CONTENT="NOINDEX,FOLLOW"＞
＜META NAME="ROBOTS" CONTENT="INDEX,NOFOLLOW"＞
＜META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW"＞
其中
＜META NAME="ROBOTS" CONTENT="INDEX,FOLLOW"＞可以寫成＜META NAME="ROBOTS" CONTENT="ALL"＞；
＜META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW"＞可以寫成＜META NAME="ROBOTS" CONTENT="NONE"＞
目前看來，絕大多數的搜索引擎機器人都遵守robots.txt的規(guī)則，而對于Robots META標簽，目前支持的并不多，但是正在逐漸增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE還增加了一個指令“archive”，可以限制GOOGLE是否保留網頁快照。例如：
＜META NAME="googlebot" CONTENT="index,follow,noarchive"＞
表示抓取該站點中頁面并沿著頁面中鏈接抓取，但是不在GOOLGE上保留該頁面的網頁快照。
如何使用robots.txt
robots.txt 文件對抓取網絡的搜索引擎漫游器（稱為漫游器）進行限制。這些漫游器是自動的，在它們訪問網頁前會查看是否存在限制其訪問特定網頁的 robots.txt 文件。如果你想保護網站上的某些內容不被搜索引擎收入的話，robots.txt是一個簡單有效的工具。這里簡單介紹一下怎么使用它。
如何放置Robots.txt文件
robots.txt自身是一個文本文件。它必須位于域名的根目錄中并 被命名為"robots.txt"。位于子目錄中的 robots.txt 文件無效，因為漫游器只在域名的根目錄中查找此文件。例如，http://www.example.com/robots.txt 是有效位置，http://www.example.com/mysite/robots.txt 則不是。
這里舉一個robots.txt的例子:
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /~name/
使用 robots.txt 文件攔截或刪除整個網站
要從搜索引擎中刪除您的網站，并防止所有漫游器在以后抓取您的網站，請將以下 robots.txt 文件放入您服務器的根目錄：
User-agent: *
Disallow: /
要只從 Google 中刪除您的網站，并只是防止 Googlebot 將來抓取您的網站，請將以下 robots.txt 文件放入您服務器的根目錄：
User-agent: Googlebot
Disallow: /
每個端口都應有自己的 robots.txt 文件。尤其是您通過 http 和 https 托管內容的時候，這些協(xié)議都需要有各自的 robots.txt 文件。例如，要讓 Googlebot 只為所有的 http 網頁而不為 https 網頁編制索引，應使用下面的 robots.txt 文件。
對于 http 協(xié)議 (http://yourserver.com/robots.txt):
User-agent: *
Allow: /
對于 https 協(xié)議 (https://yourserver.com/robots.txt):
User-agent: *
Disallow: /
允許所有的漫游器訪問您的網頁
User-agent: *
Disallow:
(另一種方法: 建立一個空的 "/robots.txt" 文件, 或者不使用robot.txt。)
使用 robots.txt 文件攔截或刪除網頁
您可以使用 robots.txt 文件來阻止 Googlebot 抓取您網站上的網頁。 例如，如果您正在手動創(chuàng)建 robots.txt 文件以阻止 Googlebot 抓取某一特定目錄下（例如，private）的所有網頁，可使用以下 robots.txt 條目：
User-agent: Googlebot
Disallow: /private
要阻止 Googlebot 抓取特定文件類型（例如，.gif）的所有文件，可使用以下 robots.txt 條目：
User-agent: Googlebot
Disallow: /*.gif$
要阻止 Googlebot 抓取所有包含 ? 的網址（具體地說，這種網址以您的域名開頭，后接任意字符串，然后是問號，而后又是任意字符串），可使用以下條目：
User-agent: Googlebot
Disallow: /*?
盡管我們不抓取被 robots.txt 攔截的網頁內容或為其編制索引，但如果我們在網絡上的其他網頁中發(fā)現(xiàn)這些內容，我們仍然會抓取其網址并編制索引。因此，網頁網址及其他公開的信息，例如指 向該網站的鏈接中的定位文字，有可能會出現(xiàn)在 Google 搜索結果中。不過，您網頁上的內容不會被抓取、編制索引和顯示。
作為網站管理員工具的一部分，Google提供了robots.txt分析工具。它可以按照 Googlebot 讀取 robots.txt 文件的相同方式讀取該文件，并且可為 Google user-agents（如 Googlebot）提供結果。我們強烈建議您使用它。 在創(chuàng)建一個robots.txt文件之前，有必要考慮一下哪些內容可以被用戶搜得到，而哪些則不應該被搜得到。 這樣的話，通過合理地使用robots.txt, 搜索引擎在把用戶帶到您網站的同時，又能保證隱私信息不被收錄。
誤區(qū)一：我的網站上的所有文件都需要蜘蛛抓取，那我就沒必要在添加robots.txt文件了。反正如果該文件不存在，所有的搜索蜘蛛將默認能夠訪問網站上所有沒有被口令保護的頁面。
每當用戶試圖訪問某個不存在的URL時，服務器都會在日志中記錄404錯誤（無法找到文件）。每當搜索蜘蛛來尋找并不存在的robots.txt文件時，服務器也將在日志中記錄一條404錯誤，所以你應該做網站中添加一個robots.txt。
誤區(qū)二：在robots.txt文件中設置所有的文件都可以被搜索蜘蛛抓取，這樣可以增加網站的收錄率。
網站中的程序腳本、樣式表等文件即使被蜘蛛收錄，也不會增加網站的收錄率，還只會浪費服務器資源。因此必須在robots.txt文件里設置不要讓搜索蜘蛛索引這些文件。
具體哪些文件需要排除， 在robots.txt使用技巧一文中有詳細介紹。
誤區(qū)三：搜索蜘蛛抓取網頁太浪費服務器資源，在robots.txt文件設置所有的搜索蜘蛛都不能抓取全部的網頁。
如果這樣的話，會導致整個網站不能被搜索引擎收錄。
robots.txt使用技巧
1. 每當用戶試圖訪問某個不存在的URL時，服務器都會在日志中記錄404錯誤（無法找到文件）。每當搜索蜘蛛來尋找并不存在的robots.txt文件時，服務器也將在日志中記錄一條404錯誤，所以你應該在網站中添加一個robots.txt。
2. 網站管理員必須使蜘蛛程序遠離某些服務器上的目錄——保證服務器性能。比如：大多數網站服務器都有程序儲存在“cgi-bin”目錄下，因此在robots.txt文件中加入“Disallow: /cgi-bin”是個好主意，這樣能夠避免將所有程序文件被蜘蛛索引，可以節(jié)省服務器資源。一般網站中不需要蜘蛛抓取的文件有：后臺管理文件、程序腳本、附件、數據庫文件、編碼文件、樣式表文件、模板文件、導航圖片和背景圖片等等。
下面是VeryCMS里的robots.txt文件：
User-agent: *
Disallow: /admin/ 后臺管理文件
Disallow: /require/ 程序文件
Disallow: /attachment/ 附件
Disallow: /images/ 圖片
Disallow: /data/ 數據庫文件
Disallow: /template/ 模板文件
Disallow: /css/ 樣式表文件
Disallow: /lang/ 編碼文件
Disallow: /script/ 腳本文件
3. 如果你的網站是動態(tài)網頁，并且你為這些動態(tài)網頁創(chuàng)建了靜態(tài)副本，以供搜索蜘蛛更容易抓取。那么你需要在robots.txt文件里設置避免動態(tài)網頁被蜘蛛索引，以保證這些網頁不會被視為含重復內容。
4. robots.txt文件里還可以直接包括在sitemap文件的鏈接。就像這樣：
Sitemap: sitemap.xml
目前對此表示支持的搜索引擎公司有Google, Yahoo, Ask and MSN。而中文搜索引擎公司，顯然不在這個圈子內。這樣做的好處就是，站長不用到每個搜索引擎的站長工具或者相似的站長部分，去提交自己的sitemap文件，搜索引擎的蜘蛛自己就會抓取robots.txt文件，讀取其中的sitemap路徑，接著抓取其中相鏈接的網頁。
5. 合理使用robots.txt文件還能避免訪問時出錯。比如，不能讓搜索者直接進入購物車頁面。因為沒有理由使購物車被收錄，所以你可以在robots.txt文件里設置來阻止搜索者直接進入購物車頁面。
