大家做网站难免有些时候不想让某些搜索引擎抓取某些页面，当然可以在根目录下放robots.txt文件屏蔽搜索引擎或者设置搜索引擎可以抓取文件范围以及规则。Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。
一、Robots协议写法说明
- 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: 网站地图地址 告诉爬虫这个页面是网站地图；
二、Robots协议举例
例1. 禁止所有搜索引擎访问网站的任何部分
User-agent: *
Disallow: /
例2. 允许所有的robot访问 (或者也可以建一个空文件 “/robots.txt”)
User-agent: *
Allow: /
例3. 禁止某个搜索引擎的访问
User-agent: BadBot
Disallow: /
例4. 允许某个搜索引擎的访问
User-agent: Baiduspider
Allow:/
三、本站使用的Robots协议
User-agent: *
Disallow: /wp-*/
Disallow: /*?connect=*
Disallow: /date/*
Disallow: /kod/*
Disallow: /api/*
Disallow: /*/trackback
Disallow: /*.js$
Disallow: /*.css$
Disallow:/*?replytocom*
Disallow: /comments/
Disallow: /*/comments/
Disallow: /feed/*
Disallow: /*/*/feed/*
Disallow: /*/*/*/feed/*
Disallow:/articles/*
Disallow:/shuoshuo/*
Sitemap: https://imotao.com/sitemap.xml
原创文章，作者：陌涛，如若转载，请注明出处：https://imotao.com/3578.html
微信扫一扫 
