robots是什么

一、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，你可以告诉搜索引擎哪些文件可以被查看，哪些禁止。当搜索机器人(也叫搜索蜘蛛)访问一个站点时，它首先会检查根目录是否存在robots.txt，如果有就确定抓取范围，没有就按链接顺序抓取。

二、robots.txt作用

为何需要用robots.txt这个文件来告诉搜索机器人不要爬行我们的部分网页，比如：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。这些页面或文件被搜索引擎收录了，用户也看不了，多数需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，增加了服务器的压力，因此我们可以用robots.txt告诉机器人集中注意力去收录我们的文章页面。增强用户体验。

1，用robots屏蔽网站重复页

很多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造成了困难，因为它分不清那个是主，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》

2，用robots保护网站安全

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

User-agent： *

Disallow： /admin/ 《禁止蜘蛛抓取admin目录下所有文件》

3，防止盗链

一般盗链也就几个人，可是一旦被搜索引擎“盗链”那家伙你100M宽带也吃不消，如果你做的不是图片网站，又不想被搜索引擎“盗链”你的网站图片

User-agent： *

Disallow： .jpg$

4，提交网站地图

现在做优化的都知道做网站地图了，可是却没几个会提交的，绝大多数人是干脆在网页上加个链接，其实robots是支持这个功能的

Sitemap： http://bbs.moonseo.cn/sitemaps/sitemaps_1.xml

5，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升不少，就像百度说的：我们和搜索引擎应该是朋友，增加一些沟通，才能消除一些隔膜。

三、robots.txt基本语法

1、robots.txt的几个关键语法：

a、User-agent: 应用下文规则的漫游器，比如Googlebot,Baiduspider等。

b、Disallow: 要拦截的网址,不允许机器人访问。

c、Allow: 允许访问的网址

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/

2、列举一些robots.txt 具体用法：

1、允许所有的robot访问

User-agent: *

Disallow:

或者

User-agent: *

Allow: /

或者建一个空文件”robots.txt”即可。

2、仅禁止某个机器人访问您的网站，如Baiduspider。

User-agent: Baiduspider

Disallow: /

3、仅允许某个机器人访问您的网站，如Baiduspider。

User-agent: Baiduspider

Disallow:

User-agent: *

Disallow: /

4、禁止访问特定目录

User-agent: *

Disallow: /admin/

Disallow: /css/

Disallow:

要拦截对所有包含问号 (?) 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，然后接问号，而后又接任意字符串)，请使用以下内容：

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 结尾的所有网址，请使用以下内容： User-agent: Googlebot

Disallow: /*.xls$

您可将此模式匹配与 Allow 指令配合使用。例如，如果 ? 代表一个会话 ID，那么您可能希望排除包含 ? 的所有网址，以确保 Googlebot 不会抓取重复网页。但是以 ? 结尾的网址可能是您希望包含

在内的网页的版本。在此情况下，您可以对您的 robots.txt 文件进行如下设置：

User-agent: *

Allow: /*?$

Disallow: /*?

Disallow: /*? 指令会阻止包含 ? 的所有网址(具体地说，它将拦截所有以您的域名开头、后接任意字符串，然后接问号，而后又接任意字符串的网址)。

Allow: /*?$ 指令将允许以 ? 结尾的任何网址(具体地说，它将允许所有以您的域名开头、后接任意字符串，然后接 ?，? 之后不接任何字符的网址)。

robots：指网络爬虫（也称机器人，蜘蛛）的简称。在互联网上，搜索引擎的爬虫会通过访问和抓取网页来建立索引，并提供相关搜索结果。

当蜘蛛访问一个网站时，它会查找站点根目录下是否存在名为“robots.txt”文件。它用于告知搜索引擎爬虫哪些页面可以被抓取和索引，以及哪些页面应该可以被忽略。

通过robots.txt文件，网站管理员可以控制搜索引擎爬虫对自己网站的访问权限，限制某些页面不被抓取或索引，这对于保护敏感信息，控制搜索引擎范围以及优化SEO等方面都非常有用。