robots txt文件的作用:
网站根目录下的robots txt文件是写给搜索引擎“看”的,用户网站通过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。例如网站后台管理系统,或者涉及到隐私的内容,或者秘密内容,或者仅限小范围传播的内容。虽然此文件没有任何外部的链接,但是一般情况下,搜索引擎还是会定期自动检索网站的根目录是否存在此文件。
如果您想让搜索引擎抓取收录网站上所有内容,请设置网站根目录下的robots.txt文件内容为空,或者删除网站根目录下的robots.txt文件。
robots txt文件的起源:
Robots协议(也称为爬虫协议、机器人协议等)的全称是“网络爬虫排除标准”(Robots Exclusion Protocol)。
robots.txt并不是某一个公司制定的,真实Robots协议的起源,是在互联网从业人员的公开邮件组里面讨论并且诞生的。1994年6月30日,在经过搜索引擎人员以及被搜索引擎抓取的网站站长共同讨论后,正式发布了一份行业规范,即robots.txt协议。慢慢的,这一协议被几乎所有的搜索引擎采用,包括中国的搜索引擎公司。
robots txt的写法:
1.禁止所有搜索引擎访问网站的任何部分
User-agent: *
Disallow: / (*为通配符,/为目录)
2.禁止某个搜索引擎的访问
User-agent: BadBot
Disallow: /
3.允许某个搜索引擎的访问
User-agent: Baiduspider
allow:/
4.使用 $ 匹配网址的结束字符
Disallow: /*.asp$
5.禁止爬寻admin目录下面的目录
Disallow: /admin/
6.禁止访问/abc/目录下的所有以".htm"为后缀的URL(包含子目录)
Disallow: /abc/*.htm
7.禁止访问网站中所有包含问号 (?) 的网址
Disallow: /*?*
8.禁止抓取网页所有的.jpg格式的图片
Disallow: /.jpg$
9.禁止爬取user文件夹下面的mimi.html文件。
Disallow:/user/mimi.html (例如商业机密或隐私内容)
10.这里定义是允许爬寻mimi目录下面的目录
Allow: /mimi/
11.允许爬寻tmp的整个目录
Allow: /tmp
12.仅允许访问以".htm"为后缀的URL。
Allow: .htm$
13.允许抓取网页和gif格式图片
Allow: .gif$