一、robots文件简介

简单来说就是一个以robots命名的txt格式的文本文件，是网站跟爬虫间的协议(你可以理解为搜索引擎蜘蛛抓取的规则)，当搜索引擎发现一个新的站点时，首先会检查该站点是否存在robots文件，如果存在，搜索引擎则会跟据robots文件规定的规则来确定可以访问该站点的范围。

二、robots文件的作用

1.禁止搜索引擎收录网站，以保障网站的安全。比如一些网站是客户管理系统，只需要公司员工登录即可，属于并不想公开的私密信息，为了防止信息泄露就可以使用robots文件进行屏蔽抓取。

2.网站内的部分目录或内容如果不希望搜索引擎抓取，如WordPress的后台文件 wp-admin，管理仪表盘或其他页面，这些对搜索引擎无用的页面就可以借助robots文件来告诉搜索引擎不要抓取此目录下的内容，这样就可以让有限带宽的蜘蛛深入抓取更多需要被抓取收录的页面。

3.屏蔽一些动态链接，统一网站链接类型，集中权重。

三、robots文件写法

1、首先先来了解下robots文件里的内容由那几部分构成：

robots文件由User-agent和规定搜索引擎允许或禁止抓取的范围(Allow或Disallow)组成，在robots文件中还可以包括在sitemap文件的链接。举一个例子：

User-agent: Baiduspider
Allow: /wp-content/uploads/
Disallow: /w?
Sitemap:http:/www.seobti.com/sitemap.xml

该例子中就包含有User-agent、Allow、Disallow 、Sitemap等。下面具体来解释下各自代表的意思。

User-agent: 该项的值用于描述搜索引擎robot的名字。在robots.txt文件中，至少要有一条User-agent记录。如果该项的值设为*(即：“User-agent:*”)，则对任何robot均有效。另外如果只针对百度搜索引擎，则该项的值为：Baiduspider(即：“User-agent:Baiduspider”)。

Disallow: 该项的值用于描述不希望被访问的一组URL，这个值可以是一条完整的路径，也可以是路径的非空前缀，以Disallow项的值开头的URL不会被 robot访问。

举例说明：

• “Disallow: /help ” 禁止robot访问/help.html、/helpabc.html、/help/index.html，而 “ Disallow:/help/”则允许robot访问/help.html、/helpabc.html，不能访问/help/index.html。
• “Disallow: /”说明不允许搜索引擎robot访问该网站的所有url链接，需要注意的是robots.txt文件中，至少要有一条Disallow记录。

Allow: 该项的值用于描述希望被访问的一组URL，与Disallow项相似，这个值可以是一条完整的路径，也可以是路径的前缀，以Allow项的值开头的URL 是允许robot访问的。

举例说明：

• “Allow:/hibaidu”允许robot访问/hibaidu.htm、/hibaiducom.html以及hibaidu这个目录内的所有内容，比如/hibaidu/com.html。
• 一个网站的所有URL默认是Allow的，所以Allow通常与Disallow搭配使用，实现允许访问一部分网页同时禁止访问其它所有URL的功能。如：“Disallow: /uploads/ Allow: /uploads/allimg/”只允许抓取/uploads/目录下的allimg文件。

以上是sitemap组成常见的部分，为了让robots写法更准确，我们还可以使用借助“*”and “$”来更精确的制定搜索引擎抓取规则。

“ *”and “ $”：robots文件中可以使用通配符“*”和“$”来模糊匹配url。“*” 匹配0或多个任意字符， “$” 匹配行结束符。

举例说明：

• “Allow:/hibaidu可以写成Allow:/hibaidu*”，而Allow:/hibaidu$规定允许抓取的范围只限hibaidu这个目录及目录内的内容。其写法作用效果等同于Allow:/hibaidu/。
• Disallow: /*.asp$和Disallow: /*.asp两种写法，看似相似却规定的范围却大不相同。其中“Disallow: /*.asp$”指仅拦截以.asp结尾的网址，而“Disallow: /*.asp”则了拦截所有包含.asp的网址(可能有的.asp后还有一些参数)，包括以.asp结尾的网址，也就是Disallow: /*.asp规定的范围包含了Disallow: /*.asp$的规定范围。

2、格式

在robots文件中，一个“User-agent”代表一条记录，且这样的记录可以包含一条或多条记录。如：

一条记录

User-agent:*
Disallow:/template/
#该协议只有一条记录，该协议对所有搜索引擎有效

多条记录

User-agent: Baiduspider
Disallow: /w?
Disallow: /client/

User-agent: Googlebot
Disallow: /update
Disallow: /history

User-agent: bingbot
Disallow: /usercard

#多条记录，针对不同的搜索引擎使用不同的协议

解读：“User-agent:*”中的“*”是通配符的意思， 也就是说该记录下的协议适用任何搜索引擎，而“User-agent:Baiduspider”中的“Baiduspider”是百度搜索引擎的爬取程序名称，也就是该协议只针对百度搜索引擎。

一般来说，优化的对象如果只针对国内的用户，那么就可以使用多条记录的方式来限制国外搜索引擎的抓取，以此可以节省服务器部分资源，减小服务器压力。

另外需要注意的是：robots.txt文件中只能有一条 “User-agent:*”这样的记录。

3、语法说明

这里主要列举几个最常见的情况，如下图图2所示：

4、robots的其他用法

除了使用robots.txt来告知搜索引擎哪些页面能被抓取，哪些页面不能被抓取外，robots还有另外一些写法——Robots meta 标签。

Robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况，而Robots Meta标签则主要是针对一个个具体的页面。和其他的META标签(如使用的语言、页面的描述、关键词等)一样，Robots Meta标签也是放在页面中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。

Robots Meta标签中没有大小写之分，name=“Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=“BaiduSpider”。

content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。

• index指令告诉搜索机器人抓取该页面；
• follow指令表示搜索机器人可以沿着该页面上的链接继续抓取下去；
• noindex命令：告诉搜索引擎不允许抓取这个页面
• nofollow命令：告诉搜索引擎不允许从此页找到链接、拒绝其继续访问。

具体写法有以下四种：

<meta name="robots" content="index,follow"><!--可以抓取并索引本页，同时还可以顺着本页的链接继续抓取下去-->
<meta name="robots" content="noindex,follow"><!--不能索引本页但可以顺着本页的链接继续抓取下去-->
<meta name="robots" content="index,nofollow"><!--可以索引本页但不允许抓取本页的链接-->
<meta name="robots" content="noindex,nofollow"><!--既不能索引本页同时也不可以抓取本页的链接-->

其中：

<meta name="robots" content="index,follow">

可以写成

<meta name="robots" content="all">

而

<meta name="robots" content="noindex,nofollow">

可以写成

<meta name="robots" content="none">

另外著名搜索引擎GOOGLE还增加了一个指令“archive”，可以限制GOOGLE是否保留网页快照。例如：

<meta name="googlebot" content="index,follow,noarchive">

需要注意的是并不是所有的搜索引擎都支持Robots meta标签写法。

四、使用robots文件需要注意的一些事项

1、robots文件应放在网站根目录，链接地址为：www.xxx.com/robots.txt

2、鉴于不希望搜索引擎收录网站的隐私文件，可以使用robots文件来禁止抓取，但这样却正好可以被黑客所利用， 所以robots文件并不能保证网站的隐私，因此在robots规则时，可以使用“*”来模糊匹配。 如：Disallow：/my*

3、“Disallow: /help”与“Disallow: /help/”规定的抓取范围有所不同，“/help”包含“/help.html、/help*.html、/help/index.html”等页面，而“/help/”不包含“/help.html、/help*.html”等页面。