robots协议文件的几种写法及示例

﹏ヽ暗。殇╰゛Y 2023-07-13 08:10 5阅读 0赞

robots协议是放在网站根目录下的文本文件，告诉搜索引擎哪些内容是否可以被爬取；  
robots协议的作用：  
   1）引导搜索引擎蜘蛛爬取指定栏目或内容；  
   2）网站改版或者url优化重写时屏蔽对搜索引擎不友好的链接；  
   3）屏蔽死链、404错误页面；  
   4）屏蔽无意义无内容的页面；  
   5）屏蔽重复页；  
   6）屏蔽不想被收录的页面；  
   7）引导蜘蛛抓取网站地图；  
   8）屏蔽网站中较大的文件，图片视频等节约宽带提升速度；

语法及通配符：  
   1）User-agent: 定义搜索引擎；  
   2）Disallow: 定义禁止蜘蛛爬取的页面或目录；  
   3）Allow: 定义允许蜘蛛爬取的页面或目录；  
   4）$ 匹配url结尾的字符；  
   5）\* 匹配0个或多个任意字符；

文件写法：  
   1）User-agent: \* 这里的*代表所有的搜索引擎种类；（谷歌:Googlebot、百度:Baiduspider、MSN:MSNbot、Yahoo:Slurp）  
  
   2）Disallow: /admin/ 禁止爬取admin目录下面的所有目录；  
  
   3）Disallow: /admin 禁止爬取/admin.html、/adminset.html、/admin/abc.html；  
  
   4）Disallow: /admin/*.html 禁止爬取admin目录下的所有以html为后缀的文件（包括子目录）；  
  
   5）Disallow: /*?* 禁止爬取网站中所有包含问号的网址；  
  
   6）Disallow: /.jpg$ 禁止抓取网页所有的.jpg格式的图片；  
  
   7）Disallow: /ab/abc.html 禁止爬取ab文件下的abc.html文件；  
  
   8）Allow: /abc/ 允许爬取abc目录下的所有目录；  
  
   9）Allow: /tmp 允许爬取tmp目录；  
  
   10）Allow: .html$ 允许爬取网页以html为后缀的url；  
  
   11）Allow: .gif$ 允许抓取网页中gif格式的图片；  
  
   12）Sitemap: 网站地图 告诉爬虫这个页面是网站地图；

示例：  
1）User-agent: \*  
Disallow: /admin/  
Disallow: /abc/  
注：禁止所有的搜索引擎爬取admin和abc目录及子目录；  
  
2）User-agent: \*  
Allow: /admin/seo/  
Disallow: /admin/  
注：禁止所有搜索引擎爬取admin目录及子目录，但可以爬取admin目录下的seo  
目录；(Allow必须在前面，Disallow写在后)  
  
3）User-agent: \*  
Disallow: /abc/*.htm$  
注：禁止所有搜索引擎爬取abc目录及子目录下以.htm为后缀的url；  
  
4）User-agent: \*  
Disallow: /*?\*  
注：禁止所有搜索引擎爬取有？的页面；  
  
5）User-agent:Baiduspider  
Disallow: /.jpg$  
Disallow: /.jpeg$  
Disallow: /gif$  
Disallow: /png$  
Disallow: /.bmp$  
注：禁止所有搜索引擎爬取所有图片；  
  
6）User-agent: \*  
Disallow: /folder1/  
User-agent: Mediapartners-Google  
Allow: /folder1/  
注：禁止所有搜索引擎爬取folder1，但 Mediapartners-Google 漫游器可以在页  
面上显示 AdSense 广告；  
  
7）User-agent: \*  
Disallow: /abc\*/  
注：禁止所有搜索引擎爬取以abc开头的所有目录及子目录；

其他属性：  
1）指定robot协议版本号：  
Robot-version: Version 2.0  
2）在指定时间段搜索引擎才可以爬取指定url  
Visit-time: 0100-1300 允许在凌晨1点到3点之间访问  
3）限制url读取频率  
Request-rate: 40/1m 0800-1300 在8点到13点之间以每分钟40次的频率访问  
Robots meta标签：

属性说明：  
1）all：文件将被检索，且页面上的链接可以被查询；默认为all；  
  
2）none：文件不被检索，且页面上的链接也不可以被检索；  
  
3）index：文件将被检索；  
  
4）follow：页面上的链接可以被检索；  
  
5）noindex：文件不被检索；  
  
6）nofollow：页面上的链接不被检索；  
  
组合运用：

1）可以抓取本页且可以顺着本页继续索引其他链接
    	       <meta name="robots" content="index,follow">
    	        也可以写成
    	        <meta name="robots" content="all">
    	        
    	    2）不可以抓取本页但可以顺着本页继续索引其他链接
    	      <meta name="robots" content="noindex,follow">
               
            3）可以抓取本页但不可以顺着本页继续索引其他链接
             <meta name="robots" content="index,nofollow">
                
            4）不可以抓取本页且不可以顺着本页继续索引其他链接
                <meta name="robots" content="noindex,nofollow">
                也可以写成
                <meta name="robots" content="none">