什么是robots.txt文件?
搜索引擎使用 spider程序自動訪問互聯(lián)網(wǎng)上的網(wǎng)頁并獲取網(wǎng)頁信息。spider在訪問一個網(wǎng)站時，會首先會檢查該網(wǎng)站的根域下是否有一個叫做robots.txt 的純文本文件。您可以在您的網(wǎng)站中創(chuàng)建一個純文本文件robots.txt，在文件中聲明該網(wǎng)站中不想被robot訪問的部分或者指定搜索引擎只收錄特定 的部分。
請注意，僅當您的網(wǎng)站包含不希望被搜索引擎收錄的內(nèi)容時，才需要使用robots.txt文件。如果您希望搜索引擎收錄網(wǎng)站上所有內(nèi)容，請勿建立robots.txt文件或者創(chuàng)建一個內(nèi)容為空的robots.txt文件。
robots.txt文件放在哪里?
robots.txt 文件應(yīng)該放在網(wǎng)站根目錄下。舉例來說，當spider訪問一個網(wǎng)站（比如http://www.abc.com）時，首先會檢查該網(wǎng)站中是否存在 http://www.abc.com/robots.txt這個文件，如果機器人找到這個文件，它就會根據(jù)這個文件的內(nèi)容，來確定它訪問權(quán)限的范圍。
| 網(wǎng)站 URL | 相應(yīng)的 robots.txt的 URL |
| http://www.w3.org/ | http://www.w3.org/robots.txt |
| http://www.w3.org:80/ | http://www.w3.org:80/robots.txt |
| http://www.w3.org:1234/ | http://www.w3.org:1234/robots.txt |
| http://w3.org/ | http://w3.org/robots.txt |
我放置或者剛剛修改了robots.txt的內(nèi)容，大約多長時間能生效？
baiduspider通常每天訪問一次網(wǎng)站的robots.txt文件，您對robots所做的修改，會在48小時內(nèi)生效。需要注意的是，robots.txt禁止收錄以前百度已收錄的內(nèi)容，從搜索結(jié)果中去除可能需要數(shù)月的時間。
我在robots.txt中設(shè)置了禁止百度收錄我網(wǎng)站的內(nèi)容，為何還出現(xiàn)在百度搜索結(jié)果中？
如果其他網(wǎng)站鏈接了您robots.txt文件中設(shè)置的禁止收錄的網(wǎng)頁，那么這些網(wǎng)頁仍然可能會出現(xiàn)在百度的搜索結(jié)果中，但您的網(wǎng)頁上的內(nèi)容不會被抓取、建入索引和顯示，百度搜索結(jié)果中展示的僅是其他網(wǎng)站對您相關(guān)網(wǎng)頁的描述。
禁止搜索引擎在搜索結(jié)果中顯示網(wǎng)頁快照，而只對網(wǎng)頁建索引
百度支持通過設(shè)置網(wǎng)頁的meta，防止搜索引擎顯示網(wǎng)站的快照。方法如下：
要防止所有搜索引擎顯示您網(wǎng)站的快照，請將此元標記置入網(wǎng)頁的 部分：
要允許其他搜索引擎顯示快照，但僅防止百度顯示，請使用以下標記：
注：此標記只是禁止百度顯示該網(wǎng)頁的快照，百度會繼續(xù)為網(wǎng)頁建索引，并在搜索結(jié)果中顯示網(wǎng)頁摘要。
robots.txt文件的格式
"robots.txt"文件包含一條或更多的記錄，這些記錄通過空行分開（以CR,CR/NL, or NL作為結(jié)束符），每一條記錄的格式如下所示：
"
在該文件中可以使用#進行注解，具體使用方法和UNIX中的慣例一樣。該文件中的記錄通常以一行或多行User-agent開始，后面加上若干Disallow和Allow行,詳細情況如下：
User-agent:
該項的值用于描述搜索引擎robot的名字。在"robots.txt"文件中，如果有多條User-agent記錄說明有多個robot會受到 "robots.txt"的限制，對該文件來說，至少要有一條User-agent記錄。如果該項的值設(shè)為*，則對任何robot均有效，在 "robots.txt"文件中，"User-agent:*"這樣的記錄只能有一條。如果在"robots.txt"文件中，加入"User- agent:SomeBot"和若干Disallow、Allow行，那么名為"SomeBot"只受到"User-agent:SomeBot"后面的 Disallow和Allow行的限制。
Disallow:
該項的值用于描述不希望被訪問的一組URL，這個值可以是一條完整的路徑，也可以是路徑的非空前綴，以Disallow項的值開頭的URL不會被 robot訪問。例如"Disallow:/help"禁止robot訪問/help.html、/helpabc.html、 /help/index.html，而"Disallow:/help/"則允許robot訪問/help.html、/helpabc.html，不能 訪問/help/index.html。"Disallow:"說明允許robot訪問該網(wǎng)站的所有url，在"/robots.txt"文件中，至少要 有一條Disallow記錄。如果"/robots.txt"不存在或者為空文件，則對于所有的搜索引擎robot，該網(wǎng)站都是開放的。
Allow:
該項的值用于描述希望被訪問的一組URL，與Disallow項相似，這個值可以是一條完整的路徑，也可以是路徑的前綴，以Allow項的值開頭的URL 是允許robot訪問的。例如"Allow:/hibaidu"允許robot訪問/hibaidu.htm、/hibaiducom.html、 /hibaidu/com.html。一個網(wǎng)站的所有URL默認是Allow的，所以Allow通常與Disallow搭配使用，實現(xiàn)允許訪問一部分網(wǎng)頁 同時禁止訪問其它所有URL的功能。
需要特別注意的是Disallow與Allow行的順序是有意義的，robot會根據(jù)第一個匹配成功的Allow或Disallow行確定是否訪問某個URL。
使用"*"和"$"：
baiduspider支持使用通配符"*"和"$"來模糊匹配url。
"$" 匹配行結(jié)束符。
"*" 匹配0或多個任意字符。
URL匹配舉例
| Allow或Disallow的值 | URL | 匹配結(jié)果 |
| /tmp | /tmp | yes |
| /tmp | /tmp.html | yes |
| /tmp | /tmp/a.html | yes |
| /tmp/ | /tmp | no |
| /tmp/ | /tmphoho | no |
| /tmp/ | /tmp/a.html | yes |
| /Hello* | /Hello.html | yes |
| /He*lo | /Hello,lolo | yes |
| /Heap*lo | /Hello,lolo | no |
| html$ | /tmpa.html | yes |
| /a.html$ | /a.html | yes |
| htm$ | /a.html | no |
- robots.txt文件用法舉例
|
User-agent: * Disallow: / |
|
例2. 允許所有的robot訪問 |
User-agent: * Disallow: 或者 User-agent: * Allow: / |
| 例3. 僅禁止baiduspider訪問您的網(wǎng)站 | User-agent: baiduspider Disallow: / |
| 例4. 僅允許baiduspider訪問您的網(wǎng)站 | User-agent: baiduspider Disallow: User-agent: * Disallow: / |
| 例5.禁止spider訪問特定目錄 在這個例子中，該網(wǎng)站有三個目錄對搜索引擎的訪問做了限制，即robot不會訪問這三個目錄。需要注意的是對每一個目錄必須分開聲明，而不能寫成 "Disallow: /cgi-bin/ /tmp/"。 |
User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ |
| 例6. 允許訪問特定目錄中的部分url | User-agent: * Allow: /cgi-bin/see Allow: /tmp/hi Allow: /~joe/look Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ |
| 例7. 使用"*"限制訪問url 禁止訪問/cgi-bin/目錄下的所有以".htm"為后綴的URL(包含子目錄)。 |
User-agent: * Disallow: /cgi-bin/*.htm |
| 例8. 使用"$"限制訪問url 僅允許訪問以".htm"為后綴的URL。 |
User-agent: * Allow: .htm$ Disallow: / |
| 例9. 禁止訪問網(wǎng)站中所有的動態(tài)頁面 | User-agent: * Disallow: /*?* |
