小叮当资源网-打造全国最强辅助网_xldhld.com

Robots文件的写法

叮当 杂七杂八

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: /

 

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:/

 

例5.一个简单例子

 

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”,所以在该文件中不能有“Disallow: /tmp/*” or “Disallow:*.gif”这样的记录出现。

 

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以外的所有漫游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,而不是指向所有漫游器的行。

 

“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其他搜索引擎进行查找。“Allow”行的作用原理完全与“Disallow”行一样。只需列出您要允许的目录或页面即可。

 

您也可以同时使用“Disallow”和“Allow”。例如,要拦截子目录中某个页面之外的其他所有页面,可以使用下列条目:

 

User-agent: Googlebot

 

Allow: /folder1/myfile.html

 

Disallow: /folder1/

 

这些条目将拦截 folder1 目录内除 myfile.html 之外的所有页面。

 

如果您要拦截 Googlebot 并允许 Google 的另一个漫游器(如 Googlebot-Mobile),可使用”Allow”规则允许该漫游器的访问。例如:

 

User-agent: Googlebot

 

Disallow: /

 

User-agent: Googlebot-Mobile

 

Allow:

 

使用 * 号匹配字符序列:

 

您可使用星号 (*) 来匹配字符序列。例如,要拦截对所有以 private 开头的子目录的访问,可使用下列条目: User-Agent: Googlebot

 

Disallow: /private*/

 

要拦截对所有包含问号 (?) 的网址的访问,可使用下列条目:

 

User-agent: *

 

Disallow: /*?*

 

使用 $ 匹配网址的结束字符

 

您可使用 $字符指定与网址的结束字符进行匹配。例如,要拦截以 .asp 结尾的网址,可使用下列条目: User-agent: Googlebot

 

Disallow: /*.asp$

 

您可将此模式匹配与 Allow 指令配合使用。例如,如果 ? 表示一个会话 ID,您可排除所有包含该 ID 的网址,确保 Googlebot 不会抓取重复的网页。但是,以 ? 结尾的网址可能是您要包含的网页版本。在此情况下,可对 robots.txt 文件进行如下设置:

 

User-agent: *

 

Allow: /*?$

 

Disallow: /*?

 

Disallow: / *?

 

一行将拦截包含 ? 的网址(具体而言,它将拦截所有以您的域名开头、后接任意字符串,然后是问号 (?),而后又是任意字符串的网址)。

 

Allow: /*?$ 一行将允许包含任何以 ? 结尾的网址(具体而言,它将允许包含所有以您的域名开头、后接任意字符串,然后是问号 (?),问号之后没有任何字符的网址)。

 

尽管robots.txt已经存在很多年了,但是各大搜索引擎对它的解读都有细微差别。Google与百度都分别在自己的站长工具中提供了robots工具。如果您编写了robots.txt文件,建议您在这两个工具中都进行测试,因为这两者的解析实现确实有细微差别 [1] 。

 

其它属性

 

1. Robot-version: 用来指定robot协议的版本号

 

例子: Robot-version: Version 2.0

 

2.Crawl-delay:雅虎YST一个特定的扩展名,可以通过它对我们的抓取程序设定一个较低的抓取请求频率。您可以加入Crawl-delay:xx指示,其中,“XX”是指在crawler程序两次进入站点时,以秒为单位的最低延时。

 

3. Visit-time:只有在visit-time指定的时间段里,robot才可以访问指定的URL,否则不可访问.

 

例子: Visit-time: 0100-1300 #允许在凌晨1:00到13:00访问

 

4. Request-rate: 用来限制URL的读取频率

 

例子: Request-rate: 40/1m 0100 - 0759 在1:00到07:59之间,以每分钟40次的频率进行访问

 

Request-rate: 12/1m 0800 - 1300 在8:00到13:00之间,以每分钟12次的频率进行访问

免责声明:

本站提供的资源,都来自网络,版权争议与本站无关,所有内容及软件的文章仅限用于学习和研究目的。不得将上述内容用于商业或者非法用途,否则,一切后果请用户自负,我们不保证内容的长久可用性,通过使用本站内容随之而来的风险与本站无关,您必须在下载后的24个小时之内,从您的电脑/手机中彻底删除上述内容。如果您喜欢该程序,请支持正版软件,购买注册,得到更好的正版服务。侵删请致信E-mail:boos1633@163.com

评论列表