大家做网站难免有些时候不想让某些搜索引擎抓取某些页面,当然可以在根目录下放robots.txt文件屏蔽搜索引擎或者设置搜索引擎可以抓取文件范围以及规则。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。
一、Robots协议写法说明
- 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: 网站地图地址 告诉爬虫这个页面是网站地图;
二、Robots协议举例
例1. 禁止所有搜索引擎访问网站的任何部分
User-agent: * Disallow: /
例2. 允许所有的robot访问 (或者也可以建一个空文件 “/robots.txt”)
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:/
三、本站使用的Robots协议
User-agent: * Disallow: /wp-*/ Disallow: /*?connect=* Disallow: /date/* Disallow: /kod/* Disallow: /api/* Disallow: /*/trackback Disallow: /*.js$ Disallow: /*.css$ Disallow:/*?replytocom* Disallow: /comments/ Disallow: /*/comments/ Disallow: /feed/* Disallow: /*/*/feed/* Disallow: /*/*/*/feed/* Disallow:/articles/* Disallow:/shuoshuo/* Sitemap: https://www.zhujizhen.com/sitemap.xml