robots.txt - 根目录 - 禁止/允许收录

如何使用robots.txt文件禁止或允许搜索引擎收录：

使用入门

robots.txt 文件应位于您网站的根目录下。也就是说，如果您的网站是 www.example.com，则 robots.txt 文件的路径应为 www.example.com/robots.txt。robots.txt 是一种遵照漫游器排除标准创建的纯文本文件，由一条或多条规则组成。每条规则可禁止（或允许）特定抓取工具抓取相应网站中的指定文件路径。

下面是一个包含两条规则的简单 robots.txt 文件的示例，具体解析请见下文：

# Rule 1
User-agent: Googlebot
Disallow: /nogooglebot/

# Rule 2
User-agent: *
Allow: /

Sitemap: http://www.example.com/sitemap.xml

解析：

1. 名为“Googlebot”抓取工具的用户代理不应抓取 http://example.com/nogooglebot/ 文件夹或任何子目录。
2. 所有其他用户代理均可访问整个网站。（不指定这条规则也无妨，结果是一样的，因为完全访问权限是系统默认的前提。）
3. 网站的站点地图文件位于 http://www.example.com/sitemap.xml。

我们稍后会提供一个更详细的示例。

基本的 robots.txt 准则

以下是与 robots.txt 文件有关的基本准则。我们建议您阅读 robots.txt 文件的完整语法，因为 robots.txt 语法中有一些您需要了解的细微行为。

格式和位置

您几乎可以使用任意文本编辑器创建 robots.txt 文件。您所用的文本编辑器应能够创建标准 ASCII 或 UTF-8 文本文件；请勿使用文字处理软件，因为此类软件通常会将文件保存为专有格式，且可能会向文件中添加非预期的字符（如弯引号），而这可能会导致抓取工具无法顺利读取 robots.txt 文件。

使用 robots.txt 测试工具为您的网站编写或修改 robots.txt 文件。借助此工具，您可以测试自己网站的语法和行为。

格式和位置规则：

• 文件必须命名为 robots.txt。
• 您的网站只能有 1 个 robots.txt 文件。
• robots.txt 文件必须位于它所应用到的网站主机的根目录下。例如，要控制对 http://www.example.com/ 下所有网址的抓取，就必须将 robots.txt 文件放在根目录下（即 http://www.example.com/robots.txt），而不能放在子目录下（例如 http://example.com/pages/robots.txt）。如果您不确定如何访问自己的网站根目录，或者需要申请对网站根目录的访问权限，请与您的网站托管服务提供商联系。如果您无法访问自己的网站根目录，请改用其他屏蔽方法（例如元标记）。
• robots.txt 文件可应用到子网域（例如 http://website.example.com/robots.txt）或非标准端口（例如 http://example.com:8181/robots.txt）。
• 备注是指任何以标记“#”开头的行。

语法

• robots.txt 必须是 ASCII 或 UTF-8 文本文件。不允许包含其他字符。
• robots.txt 文件由一条或多条规则组成。
• 每条规则由多条指令（说明）组成，每条指令各占一行。
• 每条规则包含以下信息：
  • 此规则的适用对象（即用户代理）
  • 代理可以访问的目录或文件，和/或
  • 代理无法访问的目录或文件。
• 系统会按照从上到下的顺序处理这些规则，而且一个用户代理只能匹配 1 个规则集（即与相应用户代理匹配的首条最具体的规则）。
• 系统的默认假设是：用户代理可以抓取所有未被 Disallow: 规则禁止访问的网页或目录。
• 规则区分大小写。例如，Disallow: /file.asp 适用于 http://www.example.com/file.asp，但不适用于 http://www.example.com/FILE.asp。

robots.txt 文件中可以使用下列指令：

• User-agent：[必需，每条规则需含一个或多个 User-agent 条目] 此规则的适用搜索引擎漫游器（即网页抓取工具软件）的名称。这是每条规则的首行内容。Web Robots Database 和 Google 用户代理列表中列出了大多数用户代理名称。支持使用星号 (*) 通配符表示路径前缀、后缀或整个字符串。像下例中那样使用星号 (*) 可匹配除各种 AdsBot 抓取工具之外（此类抓取工具必须明确指定）的所有抓取工具。（查看 Google 抓取工具名称列表。）示例：

  # 示例 1：仅屏蔽 Googlebot
  User-agent: Googlebot
  Disallow: /
  
  # 示例 2：屏蔽 Googlebot 和 Adsbot
  User-agent: Googlebot
  User-agent: AdsBot-Google
  Disallow: /
   
  # 示例 3：屏蔽除 AdsBot 抓取工具之外的所有抓取工具
  User-agent: * 
  Disallow: /

• Disallow：[每条规则需含至少一个或多个 Disallow 或 Allow 条目] 用户代理不应抓取的目录或网页（相对于根网域而言）。如果要指定网页，就应提供浏览器中显示的完整网页名称；如果要指定目录，则应以标记“/”结尾。支持使用通配符“*”表示路径前缀、后缀或整个字符串。
• Allow：[每条规则需含至少一个或多个 Disallow 或 Allow 条目] 上文中提到的用户代理应抓取的目录或网页（相对于根网域而言）。此指令用于替换 Disallow 指令，从而允许抓取已禁止访问的目录中的子目录或网页。如果要指定网页，就应提供浏览器中显示的完整网页名称；如果要指定目录，则应以标记“/”结尾。支持使用通配符“*”表示路径前缀、后缀或整个字符串。
• Sitemap：[可选，每个文件可含零个或多个 Sitemap 条目] 相应网站的站点地图的位置。必须是完全限定的网址；Google 不会假定存在或检查是否存在 http/https/www/非 www 等网址变体。站点地图是一种用于指示 Google 应抓取哪些内容（而不是可以或无法抓取哪些内容）的好方法。详细了解站点地图。 示例：

  Sitemap: https://example.com/sitemap.xml
  Sitemap: http://www.example.com/sitemap.xml

未知关键字将被忽略。

再看一个示例文件

robots.txt 文件由一个或多个规则块组成，其中每个规则块都以 User-agent 行（指定了相应规则适用的目标）开头。下面是一个包含两条规则的文件；内嵌的备注分别对每条规则进行了解析：

# Block googlebot from example.com/directory1/... and example.com/directory2/...
# but allow access to directory2/subdirectory1/...
# All other directories on the site are allowed by default.
User-agent: googlebot
Disallow: /directory1/
Disallow: /directory2/
Allow: /directory2/subdirectory1/

# Block the entire site from anothercrawler.
User-agent: anothercrawler
Disallow: /

robots.txt 多久生效：

可以假想下robots生效的过程：

　　1.蜘蛛发现robots文件修改并将信息传回

　　2.分析修改前后的robots文件

　　3.删除不允许被收录的索引数据

　　这个过程中肯能还会存在其他的一些步骤，然而由于每个网站蜘蛛爬的频率和网站的权重不同（网站的重要性）而导致蜘蛛发现robots更改的时间延时或者被处理的优先性不同，最终导致的结果就是robots的生效时间不同。

　　通过以上分析我们可以得出robots的生效时间并不是一定的

robots.txt 的完整语法

您可在此处找到 robots.txt 的完整语法。robots.txt 语法的某些部分比较棘手，需要重点学习，因此请一定仔细阅读整个文档。

实用的 robots.txt 规则

下面是一些常见的实用 robots.txt 规则：

规则	示例
禁止抓取整个网站。 请注意，在某些情况下，Google 即使未抓取网站的网址，仍可能会将其编入索引。注意：这不适用于各种 AdsBot 抓取工具，此类抓取工具必须明确指定。	User-agent: * Disallow: /
禁止抓取某一目录及其内容（在目录名后面添加一道正斜线）。请注意，若想禁止访问私密内容，则不应使用 robots.txt，而应改用适当的身份验证机制。对于 robots.txt 文件所禁止抓取的网址，Google 仍可能会在不进行抓取的情况下将其编入索引；另外，由于 robots.txt 文件可供任何人随意查看，因此可能会泄露您的私密内容的位置。	User-agent: * Disallow: /calendar/ Disallow: /junk/
仅允许使用某一抓取工具	User-agent: Googlebot-news Allow: / User-agent: * Disallow: /
允许使用除某一抓取工具以外的其他所有抓取工具	User-agent: Unnecessarybot Disallow: / User-agent: * Allow: /
禁止抓取某一网页（在正斜线后面列出网页）：	Disallow: /private_file.html
禁止 Google 图片访问某一特定图片：	User-agent: Googlebot-Image Disallow: /images/dogs.jpg
禁止 Google 图片访问您网站上的所有图片：	User-agent: Googlebot-Image Disallow: /
禁止抓取某一特定类型的文件（例如 .gif）：	User-agent: Googlebot Disallow: /*.gif$
禁止抓取整个网站，但允许在这些网页上显示 AdSense 广告（禁止使用除 Mediapartners-Google 以外的所有网页抓取工具）。这种方法会阻止您的网页显示在搜索结果中，但 Mediapartners-Google 网页抓取工具仍能分析这些网页，以确定要向您网站上的访问者显示哪些广告。	User-agent: * Disallow: / User-agent: Mediapartners-Google Allow: /
匹配以某一特定字符串结尾的网址 - 需使用美元符号 ($)。例如，示例代码会禁止访问以 .xls 结尾的所有网址：	User-agent: Googlebot Disallow: /*.xls$

1如果允许所有搜索引擎访问网站的所有部分的话 我们可以建立一个空白的文本文档，命名为robots.txt放在网站的根目录下即可。
robots.txt写法如下：
User-agent: *
Disallow:
或者
User-agent: *
Allow: /

2如果我们禁止所有搜索引擎访问网站的所有部分的话
robots.txt写法如下：
User-agent: *
Disallow: /

3如果我们需要某一个搜索引擎的抓取的话，比如百度，禁止百度索引我们的网站的话
robots.txt写法如下：
User-agent: Baiduspider
Disallow: /

4如果我们禁止Google索引我们的网站的话，其实跟示例3一样，就是User-agent:头文件的蜘蛛名字改成谷歌的Googlebot
即可
robots.txt写法如下：
User-agent: Googlebot
Disallow: /

5如果我们禁止除Google外的一切搜索引擎索引我们的网站话
robots.txt写法如下：
User-agent: Googlebot
Disallow:
User-agent: *
Disallow: /

6如果我们禁止除百度外的一切搜索引擎索引我们的网站的话
robots.txt写法如下：
User-agent: Baiduspider
Disallow:
User-agent: *
Disallow: /

7如果我们需要禁止蜘蛛访问某个目录，比如禁止admin、css、images等目录被索引的话
robots.txt写法如下：
User-agent: *
Disallow: /css/
Disallow: /admin/
Disallow: /images/

8如果我们允许蜘蛛访问我们网站的某个目录中的某些特定网址的话
robots.txt写法如下：
User-agent: *
Allow: /css/my
Allow: /admin/html
Allow: /images/index
Disallow: /css/
Disallow: /admin/
Disallow: /images/

9我们看某些网站的robots.txt里的Disallow或者Allow里会看很多的符号，比如问号星号什么的，如果使用“*”，主要是限制访问某个后缀的域名，禁止访问/html/目录下的所有以”.htm”为后缀的URL(包含子目录)。
robots.txt写法如下：
User-agent: *
Disallow: /html/*.htm

10如果我们使用“$”的话是仅允许访问某目录下某个后缀的文件
robots.txt写法如下：
User-agent: *
Allow: .asp$
Disallow: /

11如果我们禁止索引网站中所有的动态页面（这里限制的是有“?”的域名，例如index.asp?id=1）
robots.txt写法如下：
User-agent: *
Disallow: /*?*
有些时候，我们为了节省服务器资源，需要禁止各类搜索引擎来索引我们网站上的图片，这里的办法除了使用“Disallow: /images/”这样的直接屏蔽文件夹的方式之外，还可以采取直接屏蔽图片后缀名的方式。

12 如果我们禁止Google搜索引擎抓取我们网站上的所有图片(如果你的网站使用其他后缀的图片名称，在这里也可以直接添加)
robots.txt写法如下：
User-agent: Googlebot
Disallow: .jpg$
Disallow: .jpeg$
Disallow: .gif$
Disallow: .png$
Disallow: .bmp$

13如果我们禁止百度搜索引擎抓取我们网站上的所有图片的话
robots.txt写法如下：
User-agent: Baiduspider
Disallow: .jpg$
Disallow: .jpeg$
Disallow: .gif$
Disallow: .png$
Disallow: .bmp$

14除了百度之外和Google之外，禁止其他搜索引擎抓取你网站的图片
(注意，在这里为了让各位看的更明白，因此使用一个比较笨的办法——对于单个搜索引擎单独定义。)
robots.txt写法如下：
User-agent: Baiduspider
Allow: .jpeg$
Allow: .gif$
Allow: .png$
Allow: .bmp$
User-agent: Googlebot
Allow: .jpeg$
Allow: .gif$
Allow: .png$
Allow: .bmp$
User-agent: *
Disallow: .jpg$
Disallow: .jpeg$
Disallow: .gif$
Disallow: .png$
Disallow: .bmp$

15仅仅允许百度抓取网站上的“JPG”格式文件
（其他搜索引擎的办法也和这个一样，只是修改一下搜索引擎的蜘蛛名称即可）
robots.txt写法如下：
User-agent: Baiduspider
Allow: .jpg$
Disallow: .jpeg$
Disallow: .gif$
Disallow: .png$
Disallow: .bmp$

16仅仅禁止百度抓取网站上的“JPG”格式文件
robots.txt写法如下：
User-agent: Baiduspider
Disallow: .jpg$

17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，沃恩可将与 Allow 指令配合使用。
robots.txt写法如下：
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）。

18如果我们想禁止搜索引擎对一些目录或者某些URL访问的话，可以截取部分的名字
robots.txt写法如下：
User-agent:*
Disallow: /plus/feedback.php?