如何设置网站的robots.txt？（robots详细讲解）

做seo的朋友都要接触robots.txt，如果你不知道也不要紧，都是慢慢学习才知道的。搜索引擎蜘蛛在抓取网站时，访问的第一个文件就是robots.txt，这个文件是为了给蜘蛛设置爬行规则，限制或者开放蜘蛛的爬行路线。

一、什么是robots.txt？

这是一个文本文件，是搜索引擎爬行网页要查看的第一个文件，你可以告诉搜索引擎哪些文件可以被查看，哪些禁止。

当搜索机器人访问一个站点时，它首先会检查根目录是否存在robots.txt，如果有就确定抓取范围，没有就按链接顺序抓取。

二、robots.txt有什么用？

为何需要用robots.txt这个文件来告诉搜索机器人不要爬行我们的部分网页，比如：后台管理文件、程序脚本、附件、数据库文件、编码文件、样式表文件、模板文件、导航图片和背景图片等等。

说到底了，这些页面或文件被搜索引擎收录了，用户也看不了，多数需要口令才能进入或是数据文件。既然这样，又让搜索机器人爬行的话，就浪费了服务器资源，增加了服务器的压力，因此我们可以用robots.txt告诉机器人集中注意力去收录我们的文章页面，增强用户体验。

三、如何设置robots.txt：

（1）我以实力演示一下，再进行全面的讲解：以马兔子博客为例，www.matuzi.cn这个网站，我们的robots.txt的文件是http://www.matuzi.cn/robots.txt，大家可以直接通过这个链接访问到。我的页面都可以让百度抓取，所以页面就没有设置disallow，那些设置disallow的目录都是后台文件，你们无法看到，这些文件包含网站的数据库等重要信息，所以不然蜘蛛抓取。

（2）通用的robots.txt设置思路。有些网站需要进行注册/登陆，搜索等功能，只需要将这些链接进行disallow，还有后台不让抓取的目录进行disallow，其他都不用设置。简单说就是，仅需要disallow不想让蜘蛛抓取的目录即可。

四、robots.txt写法大全：

robots.txt必须包含User-agent，Disallow和Allow可选择使用。

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包含问号 (?) 的网址

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

注意：“：”后面需要加一个空格

文件用法

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:/

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“any robot”，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

Allow:/folder1/myfile.html

Disallow:/folder1/

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）。

尽管robots.txt已经存在很多年了，但是各大搜索引擎对它的解读都有细微差别。Google与百度都分别在自己的站长工具中提供了robots工具。如果您编写了robots.txt文件，建议您在这两个工具中都进行测试，因为这两者的解析实现确实有细微差别 [1]  。

其它属性

1. Robot-version: 用来指定robot协议的版本号

例子: Robot-version: Version 2.0

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: 40/1m 0100 - 0759 在1:00到07:59之间,以每分钟40次的频率进行访问。

Request-rate: 12/1m 0800 - 1300 在8:00到13:00之间,以每分钟12次的频率进行访问。

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Robots Meta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，Robots Meta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。

Robots Meta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；

Robots Meta标签的缺省值是index和follow，只有inktomi除外，对于它，缺省值是index、nofollow。

请添加微信后购买资源

马兔子微信