如何设置网站的robots.txt

　　作过网站优化的朋友都知道，搜索引擎蜘蛛爬行抓取网站时首先会去访问根目录下的robots.txt文件，若是robots文件存在，则会根据robots文件内设置的规则进行爬行抓取，若是文件不存在则会顺着首页进行抓取，那么robots文件的工做原理是什么呢？如何对robots.txt文件进行设置。

　　robots.txt是一个纯文本的文件，文件的名字必须所有小写，而且放置在网站的根目录下面，经过文件中的规则声明网站哪些内容不想被搜索引擎蜘蛛抓取收录，或者指定某个搜索引擎不能收录robots.txt也叫作爬虫协议，遵循爬虫协议的搜索引擎蜘蛛，都会根据协议的内容对网站进行爬虫抓取的。

1、什么是robots.txt？

　　这是一个文本文件，是搜索引擎爬行网页要查看的第一个文件，你能够告诉搜索引擎哪些文件能够被查看，哪些禁止。

　　当搜索机器人访问一个站点时，它首先会检查根目录是否存在robots.txt，若是有就肯定抓取范围，没有就按连接顺序抓取。

2、robots.txt有什么用？

　　为什么须要用robots.txt这个文件来告诉搜索机器人不要爬行咱们的部分网页，好比：后台管理文件、程序脚本、附件、数据库文件、编码文件、样式表文件、模板文件、导航图片和背景图片等等。说到底了，这些页面或文件被搜索引擎收录了，用户也看不了，多数须要口令才能进入或是数据文件。既然这样，又让搜索机器人爬行的话，就浪费了服务器资源，增长了服务器的压力，所以咱们能够用robots.txt告诉机器人集中注意力去收录咱们的文章页面，加强用户体验。

3、robots设置：

一、用robots屏蔽网站重复页

　　不少网站一个内容提供多种浏览版本，虽然很方便用户，却对蜘蛛形成了困难，由于它分不清那个是主，那个是次，一旦让它认为你在恶意重复，你就惨了

　　User-agent： *
　　Disallow： /sitemap/ 《禁止蜘蛛抓取 文本网页》

二、用robots保护网站安全

　　不少人纳闷了，robots怎么还和网站安全有关系了？其实关系还很大，很多低级黑客就是经过搜索默认后台登录，以达到入侵网站的目标

　　User-agent： *
　　Disallow： /admin/ 《禁止蜘蛛抓取admin目录下全部文件》

三、防止盗链

　　通常盗链也就几我的，但是一旦被搜索引擎“盗链”那家伙你100M宽带也吃不消，若是你作的不是图片网站，又不想被搜索引擎“盗链”你的网站图片

　　User-agent： *
　　Disallow： .jpg$

四、提交网站地图

　　如今作优化的都知道作网站地图了，但是却没几个会提交的，绝大多数人是干脆在网页上加个连接，其实robots是支持这个功能的

　　Sitemap： http:-www-***-com/sitemaps/sitemaps.xml

五、禁止某二级域名的抓取

　　一些网站会对VIP会员提供一些特殊服务，却又不想这个服务被搜索引擎检索到

　　User-agent： *
　　Disallow： /

　　以上五招robots足以让你对搜索引擎蜘蛛掌控能力提高很多，就像百度说的：咱们和搜索引擎应该是朋友，增长一些沟通，才能消除一些隔膜。

4、robots.txt基本语法

一、robots.txt的几个关键语法：

　　a、User-agent: 应用下文规则的漫游器，好比Googlebot,Baiduspider等。
　　b、Disallow: 要拦截的网址,不容许机器人访问。
　　c、Allow: 容许访问的网址
　　d、”*” : 通配符—匹配0或多个任意字符。
　　e、”$” : 匹配行结束符。
　　f、”#” : 注释—说明性的文字,不写也可。
　　g、Googlebot: 谷歌搜索机器人(也叫搜索蜘蛛)。
　　h、Baiduspider: 百度搜索机器人(也叫搜索蜘蛛)。
　　i、目录、网址的写法:都以以正斜线 (/) 开头。如：
　　Disallow:/
　　Disallow:/images/
　　Disallow:/admin/
　　Disallow:/css/

二、列举一些robots.txt 具体用法：

容许全部的robot访问
　　User-agent: *
　　Disallow:
　　或者
　　User-agent: *
　　Allow: /
　　或者建一个空文件”robots.txt”便可。
仅禁止某个机器人访问您的网站，如Baiduspider。
　　User-agent: Baiduspider
　　Disallow: /
仅容许某个机器人访问您的网站，如Baiduspider。
　　User-agent: Baiduspider
　　Disallow:
　　User-agent: *
　　Disallow: /
禁止访问特定目录
　　User-agent: *
　　Disallow: /admin/
　　Disallow: /css/
　　Disallow:
要拦截对全部包含问号 (?) 的网址的访问(具体地说，这种网址以您的域名开头、后接任意字符串，而后接问号，然后又接任意字符串)，请使用如下内容：
　　User-agent: Googlebot
　　Disallow: /*?
要指定与某个网址的结尾字符相匹配，请使用 $。例如，要拦截以 .xls 结尾的全部网址，请使用如下内容：

　　User-agent: Googlebot
　　Disallow: /*.xls$

　　您可将此模式匹配与 Allow 指令配合使用。例如，若是 ? 表明一个会话 ID，那么您可能但愿排除包含 ? 的全部网址，以确保 Googlebot 不会抓取重复网页。可是以 ? 结尾的网址多是您但愿包含在内的网页的版本。在此状况下，您能够对您的 robots.txt 文件进行以下设置：

　　User-agent: *
　　Allow: /*?$
　　Disallow: /*?
　　Disallow: /*? 指令会阻止包含 ? 的全部网址(具体地说，它将拦截全部以您的域名开头、后接任意字符串，而后接问号，然后又接任意字符串的网址)。
　　Allow: /*?$ 指令将容许以 ? 结尾的任何网址(具体地说，它将容许全部以您的域名开头、后接任意字符串，而后接 ?，? 以后不接任何字符的网址)。

　　以上介绍多数都是Google的http:-www-google-com/support/we … cn&answer=40360，百度的大同小异具体能够看http:-www-baidu-com/search/robots.html

　　通常网站查看robots.txt文件的方法是主页后面加robots.txt就能够，好比淘宝网的就是http:-www-taobao-com/robots.txt

　　请注意，仅当您的网站包含不但愿被搜索引擎收录的内容时，才须要使用robots.txt文件。若是您但愿搜索引擎收录网站上全部内容，请勿创建robots.txt文件。