robots协议(robots协议是互联网上的国际准则)

robots协议的功能

Robots协议用来告知搜索引擎哪些页面能被抓取，哪些页面不能被抓取；可以屏蔽一些网站中比较大的文件，如：图片，音乐，视频等，节省服务器带宽；可以屏蔽站点的一些死链接。方便搜索引擎抓取网站内容；设置网站地图连接，方便引导蜘蛛爬取页面。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:网站地图告诉爬虫这个页面是网站地图例1.禁止所有搜索引擎访问网站的任何部分

User-agent:*

Disallow:/

实例分析：淘宝网的Robots.txt文件

User-agent:Baiduspider

Disallow:/

User-agent:baiduspider

Disallow:/

很显然淘宝不允许百度的机器人访问其网站下其所有的目录。

例2.允许所有的robot访问(或者也可以建一个空文件“/robots.txt”file)

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:/

例5.一个简单例子

在这个例子中，该网站有三个目录对搜索引擎的访问做了限制，即搜索引擎不会访问这三个目录。

需要注意的是对每一个目录必须分开声明，而不要写成“Disallow:/cgi-bin//tmp/”。

User-agent:后的*具有特殊的含义，代表“anyrobot”，所以在该文件中不能有“Disallow:/tmp/*”or“Disallow:*.gif”这样的记录出现。

User-agent:*

Disallow:/cgi-bin/

Disallow:/tmp/

Disallow:/~joe/

Robot特殊参数：

允许Googlebot：

如果您要拦截除Googlebot以外的所有漫游器不能访问您的网页，可以使用下列语法：

User-agent:

Disallow:/

User-agent:Googlebot

Disallow:

Googlebot跟随指向它自己的行，而不是指向所有漫游器的行。

“Allow”扩展名：

Googlebot可识别称为“Allow”的robots.txt标准扩展名。其他搜索引擎的漫游器可能无法识别此扩展名，因此请使用您感兴趣的其他搜索引擎进行查找。“Allow”行的作用原理完全与“Disallow”行一样。只需列出您要允许的目录或页面即可。

您也可以同时使用“Disallow”和“Allow”。例如，要拦截子目录中某个页面之外的其他所有页面，可以使用下列条目：

User-agent:Googlebot

Allow:/folder1/myfile.html

Disallow:/folder1/

这些条目将拦截folder1目录内除myfile.html之外的所有页面。

如果您要拦截Googlebot并允许Google的另一个漫游器（如Googlebot-Mobile），可使用”Allow”规则允许该漫游器的访问。例如：

User-agent:Googlebot

Disallow:/

User-agent:Googlebot-Mobile

Allow:

使用*号匹配字符序列：

您可使用星号(*)来匹配字符序列。例如，要拦截对所有以private开头的子目录的访问，可使用下列条目：User-Agent:Googlebot

Disallow:/private*/

要拦截对所有包含问号(?)的网址的访问，可使用下列条目：

User-agent:*

Disallow:/*?*

使用$匹配网址的结束字符

您可使用$字符指定与网址的结束字符进行匹配。例如，要拦截以.asp结尾的网址，可使用下列条目：User-agent:Googlebot

Disallow:/*.asp$

您可将此模式匹配与Allow指令配合使用。例如，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，可对robots.txt文件进行如下设置：

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）。

尽管robots.txt已经存在很多年了，但是各大搜索引擎对它的解读都有细微差别。Google与百度都分别在自己的站长工具中提供了robots工具。如果您编写了robots.txt文件，建议您在这两个工具中都进行测试，因为这两者的解析实现确实有细微差别。1.Robot-version:用来指定robot协议的版本号

例子:Robot-version:Version2.0

2.Crawl-delay：雅虎YST一个特定的扩展名，可以通过它对我们的抓取程序设定一个较低的抓取请求频率。您可以加入Crawl-delay:xx指示，其中，“XX”是指在crawler程序两次进入站点时，以秒为单位的最低延时。

3.Visit-time:只有在visit-time指定的时间段里,robot才可以访问指定的URL,否则不可访问.

例子:Visit-time:0100-1300#允许在凌晨1:00到13:00访问

4.Request-rate:用来限制URL的读取频率

例子:Request-rate:40/1m0100-0759在1:00到07:59之间,以每分钟40次的频率进行访问

Request-rate:12/1m0800-1300在8:00到13:00之间,以每分钟12次的频率进行访问Robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况，而RobotsMeta标签则主要是针对一个个具体的页面。和其他的META标签（如使用的语言、页面的描述、关键词等）一样，RobotsMeta标签也是放在页面中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。

RobotsMeta标签中没有大小写之分，name=”Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=”BaiduSpider”。content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。

index指令告诉搜索机器人抓取该页面；

follow指令表示搜索机器人可以沿着该页面上的链接继续抓取下去；

RobotsMeta标签的缺省值是index和follow，只有inktomi除外，对于它，缺省值是index、nofollow。上述的robots.txt和RobotsMeta标签限制搜索引擎机器人（ROBOTS）抓取站点内容的办法只是一种规则，需要搜索引擎机器人的配合才行，并不是每个ROBOTS都遵守的。目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于RobotsMETA标签，支持的并不多，但是正在逐渐增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE还增加了一个指令“archive”，可以限制GOOGLE是否保留网页快照。

robots协议是什么？

Robots是一个英文单词，对英语比较懂的朋友相信都知道，Robots的中文意思是机器人。而我们通常提到的主要是Robots协议，Robots.txt被称之为机器人或Robots协议（也称为爬虫协议、机器人协议等）它的全称是“网络爬虫排除标准”

英文“RobotsExclusionProtocol”这也是搜索引擎的国际默认公约。我们网站可以通过Robots协议从而告诉搜索引擎的蜘蛛哪些页面可以抓取，哪些页面不能抓取。Robots协议的本质是网站和搜索引擎爬虫的沟通方式，是用来指引搜索引擎更好地抓取网站里的内容。

比如说，一个搜索蜘蛛访问一个网站时，它第一个首先检查的文件就是该网站的根目录里有没有robots.txt文件。

如果有，蜘蛛就会按照该文件中的条件代码来确定能访问什么页面或内容；如果没有协议文件的不存在，所有的搜索蜘蛛将能够访问网站上所有没有被协议限制的内容页面。

而百度官方上的建议是：仅当您的网站包含不希望被搜索引擎收录的内容时，才需要使用robots.txt文件进行屏蔽。而如果您希望搜索引擎收录网站上所有内容，请勿建立robots.txt文件。

Robots是什么意思Robots协议是什么？Robots是什么

Robots协议跟搜索有关，其实是一个一个搜索引擎的国际默认公约，这样说，大家可能不好理解，下面我们与大家详细介绍下Robots是什么意思以及Robots协议相关介绍

Robots协议是什么？

Robots协议跟搜索有关，其实是一个一个搜索引擎的国际默认公约，这样说，大家可能不好理解，下面我们与大家详细介绍下Robots是什么意思以及Robots协议相关介绍

robots协议的介绍

Robots简单来说就是2113搜索引擎和我们网站之间的一个协议，用于定义搜索引擎抓取和禁止的协议。robots基本语法5261符号：4102/、*、$

/ 在允许和禁止的文件和文件夹前写;

*通配符，能够匹配所有的英文字符包1653括数字0;

$表示结束符，用于屏蔽图片时内候用。具体的操作过程以及写法注意事项如图。如果不清容楚可以直接关注。

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。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。

robots协议怎么书写？

# robots.txt for 你的网站安装包，或者你的网站名

User-agent: *

Disallow(不允许): /不想被收的目录/

Disallow(不允许）: /不想被收的目录/

(结束。把括号内中文去了。把其他的转换成要求。格式为.TXT，扔在根目录下。记得不要把根目录填上去就行了。若是某个网页，就填绝对路径。)如果你网站没有什么不能让引擎见的东西，最好不要写这个文件，最好不要！如果你不确定的文件最好不要放入网站中，百度蜘蛛最不喜欢404页面，或者是内部格局混乱的页面。