robots协议

Posted 2020-10-02 我是菜鸟在奔跑

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协议的本质是网站和搜索引擎爬虫的沟通方式，用来指导搜索引擎更好地抓取网站内容，而不是作为搜索引擎之间互相限制和不正当竞争的工具。

obots.txt文件是一个文本文件，使用任何一个常见的文本编辑器，比如Windows系统自带的Notepad，就可以创建和编辑它[2]。robots.txt是一个协议，而不是一个命令。robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。

当一个搜索蜘蛛访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。百度官方建议，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。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。

如果将网站视为酒店里的一个房间，robots.txt就是主人在房间门口悬挂的“请勿打扰”或“欢迎打扫”的提示牌。这个文件告诉来访的搜索引擎哪些房间可以进入和参观，哪些房间因为存放贵重物品，或可能涉及住户及访客的隐私而不对搜索引擎开放。但robots.txt不是命令，也不是防火墙，如同守门人无法阻止窃贼等恶意闯入者。

Robots协议是国际互联网界通行的道德规范，基于以下原则建立：

1、搜索技术应服务于人类，尊重信息提供者的意愿，并维护其隐私权；

2、网站有义务保护其使用者的个人信息和隐私不被侵犯。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。方便搜索引擎抓去网站内容；设置网站地图连接，方便引导蜘蛛爬取页面。

• 1、robots.txt可以告诉百度您网站的哪些页面可以被抓取，哪些页面不可以被抓取。
• 2、您可以通过Robots工具来创建、校验、更新您的robots.txt文件，或查看您网站robots.txt文件在百度生效的情况。
• 3、Robots工具暂不支持https站点。
• 4、Robots工具目前支持48k的文件内容检测，请保证您的robots.txt文件不要过大，目录最长不超过250个字符。

  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的动态页面　

  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