網站 robots.txt 文件編寫
Intro
robots.txt 是網站根目錄下的一個純文本文件，在這個文件中網站管理者可以聲明該網站中不想被robots訪問的部分，或者指定搜索引擎只收錄指定的內容。
當一個搜索機器人（有的叫搜索蜘蛛或爬蟲）訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt ，如果存在，搜索機器人就會按照該文件中的內容來確定訪問的范圍；
如果該文件不存在，那么搜索機器人就沿著鏈接抓取。
robots.txt 必須放置在一個站點的根目錄下，而且文件名必須全部小寫。
Robots協議（也稱為爬蟲協議、機器人協議等）的全稱是“網絡爬蟲排除標準”（Robots Exclusion Protocol），網站通過Robots協議告訴搜索引擎哪些頁面可以抓取，哪些頁面不能抓取。
robots.txt 語法
-
User-agent
一般情況下robot.txt文件會以User-agent:開頭，該項的值用于描述搜索引擎機器人robot的名字。
例如User-agent:Baiduspider，就是針對百度蜘蛛進行的協議約束，robots.txt文件中至少要有一條User-agent記錄。
如果該項的值設為*（通配符），則該協議對任何搜索引擎機器人均有效。
如果使用通配符，這樣的記錄只能有一條。User-agent:BaiduSpider User-agent:* -
Disallow
用來描述不希望被搜索機器人訪問到網址。這個網址可以是完整的路徑，也就是域名加上目錄名或者文件名的格式，也可以是相對，也就是除去了域名，只有文件名或者目錄名。
一個Disallow的對應一個文件或者目錄，有多少個目錄或者文件需要設置就寫幾個Disallow。
Disallow: /admin/ 這里定義是禁止爬尋admin目錄下面的目錄
Disallow: /cgi-bin/*.htm 禁止訪問/cgi-bin/目錄下的所有以".htm"為后綴的URL(包含子目錄)。
Disallow: /.jpg$ 禁止抓取網頁所有的.jpg格式的圖片
Disallow:/ab/adc.html 禁止爬取ab文件夾下面的adc.html文件
#禁止訪問Admin目錄下的文件 Disallow:/Admin/ #禁止某個搜索引擎爬蟲的訪問 User-agent: BadBot Disallow: / -
Allow
Allow: /cgi-bin/ 這里定義是允許爬尋cgi-bin目錄下面的目錄
Allow: /tmp 這里定義是允許爬尋tmp的整個目錄
Allow: .htm$ 僅允許訪問以".htm"為后綴的URL。
Allow: .gif$ 允許抓取網頁和gif格式圖片
-
Sitemap
Sitemap: 網站地圖 告訴爬蟲這個頁面是網站地圖
Sitemap: <http://www.example.com/sitemap.xml>Allow 和 Sitemap 為非標準語法，可能只有一些大型的搜索引擎會支持，為保證兼容性問題，推薦在 robots.txt 中只使用 User-agent ，Disallow
User-agent:后面為搜索機器人的名稱，后面如果是*，則泛指所有的搜索機器人。Disallow:后面為不允許訪問的文件目錄。
使用示例：
#禁止所有機器人訪問特定文件類型 User-agent: * Disallow: /*.php$ Disallow: /*.js$ Disallow: /*.inc$ Disallow: /*.css$ #攔截所有的機器人 User-agent: * Disallow: / #允許所有的機器人 User-agent: * Disallow:
More
其他的影響搜索引擎的行為的方法包括使用robots元數據
<meta name="robots" content="noindex,nofollow" />
Robots META 標簽則主要是針對一個個具體的頁面。
和其他的 META 標簽（如使用的語言、頁面的描述、關鍵詞等）一樣，Robots META 標簽也是放在頁面的＜head＞＜/head＞中，專門用來告訴搜索引擎ROBOTS如何抓取該頁的內容。
Robots META 標簽的寫法：
Robots META 標簽中沒有大小寫之分，name=”Robots”表示所有的搜索引擎，可以針對某個具體搜索引擎寫為name=”BaiduSpider”。
content部分有四個指令選項：index、noindex、follow、nofollow，指令間以“,”分隔。
INDEX 指令告訴搜索機器人抓取該頁面；
FOLLOW 指令表示搜索機器人可以沿著該頁面上的鏈接繼續抓取下去；
Robots Meta標簽的缺省值是INDEX和FOLLOW，只有inktomi除外，對于它，缺省值是INDEX,NOFOLLOW。
這樣，一共有四種組合：
＜META NAME="ROBOTS" CONTENT="INDEX,FOLLOW"＞
＜META NAME="ROBOTS" CONTENT="NOINDEX,FOLLOW"＞
＜META NAME="ROBOTS" CONTENT="INDEX,NOFOLLOW"＞
＜META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW"＞
其中
＜META NAME="ROBOTS" CONTENT="INDEX,FOLLOW"＞
可以寫成
＜META NAME="ROBOTS" CONTENT="ALL"＞
＜META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW"＞
可以寫成
＜META NAME="ROBOTS" CONTENT="NONE"＞
目 前看來，絕大多數的搜索引擎機器人都遵守robots.txt的規則，而對于Robots META標簽，目前支持的并不多，但是正在逐漸增加。
如著名搜索引擎GOOGLE就完全支持，而且GOOGLE還增加了一個指令“archive”，可以 限制GOOGLE是否保留網頁快照。例如：
<mata name="googlebot" content="index,follow,noarchive"＞
表示抓取該站點中頁面并沿著頁面中鏈接抓取，但是不在GOOLGE上保留該頁面的網頁快照。
Reference
