Robots的作用与写法

一、      什么是robots?有什么用？

“Robots”被一些同行朋友叫作“萝卜丝”，它是搜索引擎的机器协议。全称是“网络爬虫排除协议”。网站通过Robots协议来告诉搜索引擎，哪些页面可以抓取，哪些页面不能够抓取。

因为网站的很多目录如果被抓取是有风险的，或者是因为利益原因不能被抓取，所以需要告诉蜘蛛人你网站允许与不允许的情况。

Robots是放在网站根目录下面，名称为：robots.txt

二、      Robot有哪些指令？

Robots 的指令很简单，只有三个指令，一般我们也会把地图放在上面，方便蜘蛛进站抓完Robots就直接顺着地图爬。

User-agent: 此指令定义了此指令下面的内容对哪些蜘蛛有效。默认所有蜘蛛都允许抓取，如果此指令指定了特定的蜘蛛，那么此指令下跟的内容就对特定蜘蛛有效。

Disallow: 此指令定义了禁止蜘蛛抓取哪些因为，有些人可能认为，做网站当然都希望被抓取了。错，如果是后台或是隐私文件，相信谁都不愿意被抓取的。

Allow: 此指令定义了允许蜘蛛抓些哪些内容，如果是某些内容允许，其它全部拒绝，则可以用这个指令，大多数网站只用到禁止指令。

 

Sitemap: 顾名思义，就是我们常说的站点地图了。在这里我们就不详细介绍站点地图了，蜗牛WEO会在下一节给大家详细介绍  站点地图  的作用与用法。我们把站点地图放在Robots下面，可以方便蜘蛛直接在访问Robots时就访问到你的地图位置。

三、      Robots的写法

1、     User-agent: 是用来定义蜘蛛名的：常见的蜘蛛名包括：Baiduspider、Googlebot、MSNBot、Baiduspider-image、YoudaoBot、Sogou web spider、Sogou inst spider、Sogou spider2、Sogou blog、Sogou News Spider、Sogou Orion spider、Sosospider、PangusoSpider、JikeSpider、yisouspider、EasouSpider。

2、             Disallow：

是用来定义什么内容不允许蜘蛛抓取，robots中最难用，而且最常出现问题的就是Disallow指令。或者说整个robots的精髓就在于Disallow,学好了这个指令的用法你就能写出完美的Robots.下面我就把我们最常用到的一些Disallow的用法给大家列出来。

禁止整站被抓取：

Disallow: /

禁止根目录下的woniuseo目录抓取：

Disallow: /woniuseo/

禁止根目录下的woniuseo目录下的单个页面woniuseo.html被抓取：

Disallow：/woniuseo/woniuseo.html

禁止全站含有？的页面被抓取：

Disallow:  /*？*

禁止全站含有woniuseo的页面被抓取：

Disallow:  /*woniuseo*

禁止全站后缀为.aspx的页面被抓取：

Disallow:  /*.aspx$

禁止全站后缀为.jpg的文件被抓取：

Disallow:/*.jpb$

3. Allow:

允许命令一般不单独拿来使用，允许命令一般是先允许某个目录被抓取，然后再禁止其它所有页面被抓取。

允许所有页面被抓取：

Allow: /

允许woniuseo的目录被抓取：

Allow: /woniuseo/

允许抓取.html的页面：

Allow: /*.html$

允许抓取.jpg的图片：

Allow: /*.jpg$

 

四、      Robots的应用

1. 蜗牛自己的网站的robots文件是这样写的：

User-agent: *Disallow: /wp-admin/Disallow: /wp-content/Disallow: /wp-includes/Disallow: /tag/Disallow: /wp-config.phpAllow: /

sitemap:http://www.woniuseo.com/sitemap.xml

2. 禁止所有搜索引擎抓取所有页面：

User-agent: *

Disallow: /

这种情况一般用在新站建好还没正式上线，不希望蜘蛛抓取时。

3. 禁止百度蜘蛛抓取所有页面：

User-agent: Baiduspider

Disallow:  /

淘宝就因为与百度的利益关系，从2008年就禁止百度抓取它所有页面了。

4. 仅允许百度蜘蛛抓取所有页面：

User-agent: Baiduspider

Allow:  /

User-agent: *

Disallow: /

5. 禁止所有蜘蛛抓取特定的目录和页面,允许其它所有：

User-agent: *

Disallow:  /sys-admin/

Disallow:  /aboutwoniu.html

Allow:  /

6. 仅允许蜘蛛抓取.html的页面与.jpg的图片：

User-agent:*

Allow: /*.html$

Allow: /*.jpg$

Disallow:/

7. 禁止所有动态的页面的抓取，允许其它：

User-agent: *

Disallow:  /*?*

Allow:  /

8. 允许某个目录下某个目录被抓取，禁止其它

User-agent: *

Allow: /woniuseo/woniuseo/

Disallow:/woniuseo/

五、      关于robots的网络大事件

1. 淘宝封杀

2008年9月8日，淘宝网宣布封杀百度爬虫，百度忍痛遵守爬虫协议。因为一旦破坏协议，用户的隐私和利益就无法得到保障，搜索网站就谈不到人性关怀

2. 京东封杀

2011年10月25日，京东商城正式将一淘网的搜索爬虫屏蔽，以防止一淘网对其的内容抓取。

3. BE违规抓取Evay

美国BE拍卖公司无视Ebey公司网站 robots协议，终于2000年2月被告上法庭，最终被判Be侵权。

4. 360搜索无视robots协议

2012年8月，360综合搜索被指违反robots协议，被业内指为“违规”警告。