- 推荐信息
robots简介
您可以在您的网站中创建一个纯文本文件robots.txt，在这个文件中声明该网站中不想被robot访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。
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能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。
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，所以目录末尾有和没有斜杠“/”这两种表示是不同的url，也不能用'disallow: *.gif'这样的通配符。
其他的影响搜索引擎的行为的方法包括使用robots元数据：
这个协议也不是一个规范，而只是约定俗成的，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
robots.txt文件放在哪里?
robots.txt文件应该放在网站根目录下。举例来说，当robots访问一个网站（比如http://www.abc.com）时，首先会检查该网站中是否存在http://www.abc.com/robots.txt这个文件，如果机器人找到这个文件，它就会根据这个文件的内容，来确定它访问权限的范围。
robots.txt文件的格式:
'robots.txt'文件包含一条或更多的记录，这些记录通过空行分开（以cr,cr/nl, or nl作为结束符），每一条记录的格式如下所示：
'
在该文件中可以使用#进行注解，具体使用方法和unix中的惯例一样。该文件中的记录通常以一行或多行user-agent开始，后面加上若干disallow行,详细情况如下：
user-agent:
该项的值用于描述搜索引擎robot的名字，在'robots.txt'文件中，如果有多条user-agent记录说明有多个robot会受到该协议的限制，对该文件来说，至少要有一条user-agent记录。如果该项的值设为*，则该协议对任何机器人均有效，在'robots.txt'文件中，'user-agent:*'这样的记录只能有一条。
disallow:
该项的值用于描述不希望被访问到的一个url，这个url可以是一条完整的路径，也可以是部分的，任何以disallow开头的url均不会被robot访问到。例如'disallow:/help'对/help.html 和/help/index.html都不允许搜索引擎访问，而'disallow:/help/'则允许robot访问/help.html，而不能访问/help/index.html。任何一条disallow记录为空，说明该网站的所有部分都允许被访问，在'/robots.txt'文件中，至少要有一条disallow记录。如果'/robots.txt'是一个空文件，则对于所有的搜索引擎robot，该网站都是开放的。
allow:
该项的值用于描述希望被访问的一组url，与disallow项相似，这个值可以是一条完整的路径，也可以是路径的前缀，以allow项的值开头的url是允许robot访问的。例如'allow:/hibaidu'允许robot访问/hibaidu.htm、/hibaiducom.html、/hibaidu/com.html。一个网站的所有url默认是allow的，所以allow通常与disallow搭配使用，实现允许访问一部分网页同时禁止访问其它所有url的功能。
需要特别注意的是disallow与allow行的顺序是有意义的，robot会根据第一个匹配成功的allow或disallow行确定是否访问某个url。
使用'*'和'$'：
robots支持使用通配符'*'和'$'来模糊匹配url：
'$' 匹配行结束符。
'*' 匹配0或多个任意字符。
robots.txt语法教程
用几个最常见的情况，直接举例说明：
1. 允许所有se收录本站：robots.txt为空就可以，什么都不要写。
2. 禁止所有se收录网站的某些目录：
user-agent: *
disallow: /目录名1/
disallow: /目录名2/
disallow: /目录名3/
3. 禁止某个se收录本站，例如禁止百度：
user-agent: baiduspider
disallow: /
4. 禁止所有se收录本站：
user-agent: *
disallow: /
5. 加入sitemap.xml路径,例如：
sitemap: http://www.seotest.cn/sitemap.xml
常见robots名字
名称 搜索引擎
google蜘蛛： googlebot
百度蜘蛛：baiduspider
yahoo蜘蛛：slurp
alexa蜘蛛：ia_archiver
msn蜘蛛：msnbot
altavista蜘蛛：scooter
lycos蜘蛛： lycos_spider_(t-rex)
alltheweb蜘蛛： fast-webcrawler/
inktomi蜘蛛： slurp
一个在线写robots.txt的工具。
http://www.clickability.co.uk/robotstxt.html
最后需要注意，robots.txt文件名必须是小写，而且放在网站根目录，比如：http://www.seotest.cn/robots.txt
robots meta标签的写法：
robots meta标签中没有大小写之分，name=”robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=”baiduspider”。 content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。
index 指令告诉搜索机器人抓取该页面；
follow 指令表示搜索机器人可以沿着该页面上的链接继续抓取下去；
robots meta标签的缺省值是index和follow，只有inktomi除外，对于它，缺省值是index,nofollow。
这样，一共有四种组合：
＜meta name=”robots” content=”index,follow”＞
＜meta name=”robots” content=”noindex,follow”＞
＜meta name=”robots” content=”index,nofollow”＞
＜meta name=”robots” content=”noindex,nofollow”＞
其中
＜meta name=”robots” content=”index,follow”＞可以写成＜meta name=”robots” content=”all”＞；
＜meta name=”robots” content=”noindex,nofollow”＞可以写成＜meta name=”robots” content=”none”＞
目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于robots meta标签，目前支持的并不多，但是正在逐渐增加，如著名搜索引擎google就完全支持，而且google还增加了一个指令“archive”，可以限制google是否保留网页快照。例如：
＜meta name=”googlebot” content=”index,follow,noarchive”＞
表示抓取该站点中页面并沿着页面中链接抓取，但是不在goolge上保留该页面的网页快照。
禁止抓取图片：
user-agent: *
disallow: .jpg$
jpg可以代替为gif，png 等等...
禁止显示快照，但允许收录：
要防止所有搜索引擎显示您网站的快照，请将此元标记置入网页的 部分：
要允许其他搜索引擎显示快照，但仅防止搜索引擎显示，请使用以下标记：
注：robots网页的通常写法：<meta name='robots' content='all'>