robots.txt文件用法整理

robots.txt是搜索引擎中访问网站的时候要查看的第一个文件,文件告诉蜘蛛程序在服务器上什么文件是可以被查看。

robots.txt文件应该放置在网站根目录下。举例来说,当一个搜索蜘蛛爬虫访问一个站点时,它会首先检查该站点根目录下是否存在robots.txt,如果存在,搜索机器人就会按照该文件中的内容来确定访问的范围;如果该文件不存在,所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。仅当网站包含不希望被搜索引擎收录的内容时,才需要使用robots.txt文件。如果希望搜索引擎收录网站上所有内容,请勿建立robots.txt文件。

禁止所有搜索引擎访问网站的任何部分

User-agent: *
  Disallow: /

允许所有的ROBOT访问

User-agent: *
  Disallow:

或者

User-agent: * 
  Allow: /

仅禁止BAIDUSPIDER访问您的网站

User-agent: Baiduspider
  Disallow: /

禁止SPIDER访问特定目录

假设站点上有两个目录需要对搜索引擎的访问做限制,对每一个目录必须分开声明,而不能写成 “Disallow: /img1/ /img2/“。

User-agent: * 
  Disallow: /img1/
  Disallow: /img2/

允许访问指定目录

User-agent: * 
  Allow: /img1/

使用”*”限制访问内容

禁止访问/img1/目录下的所有以”.htm”为后缀的内容

User-agent: * 
  Disallow: /img1/*.htm

使用”$”允许访问内容

仅允许访问以”.htm”为后缀的内容

User-agent: * 
  Allow: .htm$
  Disallow: /

禁止访问网站中所有的动态页面

User-agent: * 
  Disallow: /*?*

禁止抓取网站上所有图片

User-agent: *
  Disallow: .jpg$
  Disallow: .jpeg$ 
  Disallow: .gif$ 
  Disallow: .png$ 
  Disallow: .bmp$

仅允许抓取特定格式图片

仅允许BAIDUSPIDER抓取网页和.GIF格式图片
允许抓取网页和gif格式图片,不允许抓取其他格式图片

User-agent: Baiduspider 
  Allow: .gif$ 
  Disallow: .jpg$ 
  Disallow: .jpeg$  
  Disallow: .png$ 
  Disallow: .bmp$

发表评论

您的电子邮箱地址不会被公开。