robots.txt文件是啥

765795934

       首先要说的是 robots 只是个协议而非命令，这个文件的效果主要是取决于搜索引擎是否遵守该协议。
　　robots协议（也称为爬虫协议、爬虫规则、机器人协议等）也就是robots.txt，网站通过robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。Robots协议是网站国际互联网界通行的道德规范，其目的是保护网站数据和敏感信息、确保用户个人信息和隐私不被侵犯。因其不是命令，故需要搜索引擎自觉遵守。一些病毒如malware（马威尔病毒）经常通过忽略robots协议的方式，获取网站后台数据和个人信息。
　　robots.txt文件是一个文本文件，使用任何一个常见的文本编辑器，比如Windows系统自带的Notepad，就可以创建和编辑它。robots.txt是一个协议，而不是一个命令。robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。
　　文件写法
　　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
　　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:/