搜索引擎robots.txt基础写法

首先，我们从其定义讲到其使用方法，方便广大seoer更加精准的使用rotbots.txt使用。

一、定义:

robots.txt 是存放在站点根目录下的一个纯文本文件，让搜索蜘蛛读取的txt文件，文件名必须是小写的“robots.txt”。

二、作用:

通过robots.txt可以控制搜索引擎收录内容，告诉蜘蛛哪些文件和目录可以收录，哪些不可以收录。

三、robots.txt 放置位置

robots.txt文件应该放置在网站根目录下。举例来说，当spider访问一个网站 (比如 http://www.abc.com)时，首先会检查该网站中是否存在http://www.111com.net/robots.txt这个文件，如果 Spider找到这个文件，它就会根据这个文件的内容，来确定它访问权限的范围。

四、robots.txt 格式

文件包含一条或更多的记录，这些记录通过空行分开(以CR,CR/NL, or NL作为结束符)，每一条记录的格式如下所示：”:”。在该文件中可以使用#进行注解。该文件中的记录通常以一行或多行User-agent开始，后面加上若干Disallow和Allow行,详细情况如下。

User-agent:

该项的值用于描述搜索引擎robot的名字。在”robots.txt”文件中，如果有多条 User-agent记录说明有多个robot会受到”robots.txt”的限制，对该文件来说，至少要有一条User-agent记录。 如果该项的值设为*，则对任何robot均有效，在”robots.txt”文件中，”User-agent:*”这样的记录只能有一条。如果在”robots.txt”文件中，加入”User- agent:SomeBot”和若干Disallow、Allow行，那么名为”SomeBot”只受到”User-agent:SomeBot”后面的 Disallow和Allow行的限制。 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。例 如”Disallow: /help”禁止robot访问/help*.html、/help/index.html， 而”Disallow: /help/”则允许robot访问/help*.html，不能访问/help/index.html。

“Disallow:”说明允许robot访问该网站的所有url，在”/robots.txt”文件中，至少要有一条Disallow记录。如果”/robots.txt”不存在或者为空文件，则对于所有的搜索引擎robot，该网站都是开放的。

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。例如”Allow:/hibaidu”允许robot访问/hibaidu.htm、/hibaiducom.html、 /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。

需要特别注意的是Disallow与Allow行的顺序是有意义的，robot会根据第一个匹配成功的 Allow或Disallow行确定是否访问某个URL。

使用”*”和”$”： Baiduspider 支持使用通配符”*”和”$”来模糊匹配url。 “$” 匹配行结束符。 “*” 匹配0或多个任意字符。

五、实例：

1.User-agent: * //禁止所有搜索引擎搜目录1、目录2、目录3

Disallow: /目录名1/

Disallow: /目录名2/

Disallow: /目录名3/

2. User-agent: Baiduspider //禁止百度搜索secret目录下的内容

Disallow: /secret/

3. User-agent: * //禁止所有搜索引擎搜索cgi目录，但是允许slurp搜索所有

Disallow: /cgi/

User-agent: slurp

Disallow:

4. User-agent: * //禁止所有搜索引擎搜索haha目录，但是允许搜索haha目录下test目录

Disallow: /haha/

Allow:/haha/test/

文件写法实例

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 ps：这里通常会被人遗忘掉
5、常见搜索引擎蜘蛛的代码

# Google Googlebot google机器人

# MSN MSNBOT msn机器人

# 360Spider 360蜘蛛

# sogou spider 搜狗蜘蛛

# Baiduspider 百度蜘蛛

# Bingbot 必应爬虫

总结：

以上是rotbots.txt使用方法，可能会有人问，我肯定是要让搜索引擎全部抓取的，那rotbots.txt对我而言，岂不是没有作用了吗?其实不然，rotbots.txt的设置，对于SEO来说是有一定原因的。举例说明：

1、在进行网站优化时，常常出现很多不同的URL指向相似的网页，这对搜索引擎来说，会浪费其服务器资源，对网站本身而言，是没有好处的。

2、网站改版、URL静态化时，会残留许多死链接以及不友好搜索引擎的链接，我们需要把他们全部屏蔽掉，仍然要用rotbots.txt来进行设置。

3、许多没有进行关键词设置的页面，屏蔽其URL后SEO效果会更好。

4、许多站内会有全站搜索，这种页面是动态化的页面，而且是不确定的临时页面，用rotbots.txt屏蔽其页面，对网站优化的效果也会不错。