想知道robots协议(必看).doc

Robots协议 　　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。 　　当一个搜索蜘蛛访问一个站点时，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。百度官方建议，仅当您的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。如果您希望搜索引擎收录网站上所有内容，请勿建立robots.txt文件。 　　如果将网站视为酒店里的一个房间，robots.txt就是主人在房间门口悬挂的“请勿打扰”或“欢迎打扫”的提示牌。这个文件告诉来访的搜索引擎哪些房间可以进入和参观，哪些房间因为存放贵重物品，或可能涉及住户及访客的隐私而不对搜索引擎开放。但robots.txt不是命令，也不是防火墙，如同守门人无法阻止窃贼等恶意闯入者。 　　2、原则 　　Robots协议是国际互联网界通行的道德规范，基于以下原则建立： 　　1、搜索技术应服务于人类，同时尊重信息提供者的意愿，并维护其隐私权; 　　2、网站有义务保护其使用者的个人信息和隐私不被侵犯。 　　3功能 　　Robots协议用来告知搜索引擎哪些页面能被抓取，哪些页面不能被抓取;可以屏蔽一些网站中比较大的文件，如：图片，音乐，视频等，节省服务器带宽;可以屏蔽站点的一些死链接。方便搜索引擎抓取网站内容;设置网站地图连接，方便引导蜘蛛爬取页面。 　　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 Sitemap: 网站地图 告诉爬虫这个页面是网站地图 　　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: / 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. 禁止某个搜索引擎的访问 　　User-agent: baiduspider Disallow: / 　　例4.一个简单例子 　　在这个例子中，该网站有三个目录对搜索引擎的访问做了限制，即搜索引擎不会访问这三个目录。 　　需要注意的是对每一个目录必须分开声明，而不要写成 “Disallow: /cgi-bin/ /tmp/”。 User-agent:后的*具有特殊的含义，代表“any robot (所有搜索引擎)”， User-agent: * 　　Disallow: /cgi-bin/ 　　Disallow: /tmp/ Disallow: /~joe/ 　　Robot特殊参数： 　　允许 Googlebot： 　　如果您要拦截除Googlebot以外的所有浏览器不能访问您的网页，可以使用下列语法： 　　User-agent:* 　　Disallow: / 　　User-agent: Googlebot 　　Disallow: 　　Googlebot 跟随指向它自己的行，而不是指向所有浏览器的行。 　　“Allow”扩展名： 　　Googlebot 可识别称为“Allow”的 robots.txt 标准扩展名。其他搜索引擎的漫游器可能无法识别此扩展名，因此请使用您感兴趣的