Google官方robots.txt系列(2)：
robots.txt 文件由一条或多条规则组成。每条规则可禁止（或允许）特定抓取工具抓取相应网站中的指定文件路径。
使用入门
robots.txt 文件由一条或多条规则组成。每条规则可禁止（或允许）特定抓取工具抓取相应网站中的指定文件路径。
下面是一个包含两条规则的简单 robots.txt 文件的示例，具体解析请见下文：
User-agent: Googlebot Disallow: /nogooglebot/ User-agent: * Allow: / Sitemap: http://www.example.com/sitemap.xml
解析：
名为“Googlebot”抓取工具的用户代理不应抓取
http://example.com/nogooglebot/文件夹或任何子目录。所有其他用户代理均可访问整个网站。（不指定这条规则也无妨，结果是一样的，因为完全访问权限是系统默认的前提。）
网站的站点地图文件位于 http://www.example.com/sitemap.xml。
我们稍后会提供一个更详细的示例。
基本的 robots.txt 规则
下面是一些与 robots.txt 文件有关的基本规则。请尝试使用 robots.txt 测试工具为您的网站编写或修改 robots.txt 文件。借助此工具，您可以测试自己网站的语法和行为。然后，阅读 robots.txt 文件的完整语法，因为漫游器语法比乍一看更复杂些。
格式和位置
您几乎可以使用任意文本编辑器创建 robots.txt 文件。您所用的文本编辑器应能够创建标准 ASCII 或 UTF-8 文本文件；请勿使用文字处理软件，因为此类软件通常会将文件保存为专有格式，且可能会向文件中添加非预期的字符（如弯引号），而这可能会导致抓取工具无法顺利读取 robots.txt 文件。
格式和位置规则：
robots.txt 是 ASCII 或 UTF-8 文本文件。不允许包含其他字符。
文件必须命名为 robots.txt。
您的网站只能有 1 个 robots.txt 文件。
robots.txt 文件必须位于它所应用到的网站主机的根目录下。例如，要控制对
http://www.example.com/下所有网址的抓取，robots.txt 文件必须放入根目录（即http://www.example.com/robots.txt），而不能放入子目录（例如http://example.com/pages/robots.txt）。如果您不知道如何访问网站的根目录，或者需要申请对网站根目录的访问权限，请与您的网络托管服务提供商联系。如果您无法访问您的网站根目录，请改用其他屏蔽方法（例如元标记）。robots.txt 文件可应用到“子网域”（例如
http://website.example.com/robots.txt）或非标准端口（例如http://example.com:8181/robots.txt）。
语法
robots.txt 文件由一组或多组规则组成。
每条规则可指定一个或多个用户代理，并阐明相应代理可以访问或不能访问的目录或文件。
系统会按照从上到下的顺序处理这些规则，而且一个用户代理只能匹配 1 个规则集（即与相应用户代理匹配的首条最具体的规则）。
系统默认的前提是：用户代理可以抓取所有未被
Disallow:规则禁止访问的网页或目录。规则区分大小写。例如，
Disallow: /file.asp适用于http://www.example.com/file.asp，但不适用于http://www.example.com/File.asp。
robots.txt 文件中使用了以下关键字：
User-agent：[必需，每条规则需要一个或多个] 此条规则所要应用到的搜索引擎“漫游器”（即网页抓取工具软件）的名称。Web Robots Database 和 Google 用户代理列表中列出了大多数用户代理名称。支持使用星号 (*) 通配符表示路径前缀、后缀或整个字符串。像下例中那样使用星号 (*) 可匹配所有抓取工具（各种 AdsBot 抓取工具除外，此类抓取工具必须明确指定）。（查看 Google 抓取工具名称列表。）# Block all but AdsBot crawlers User-agent: *
Disallow：[每条规则需要至少一个或多个 Disallow 或 Allow 条目] 用户代理不应抓取的目录或网页（以相对于根网域的路径表示）。如果要指定网页，就应提供浏览器中显示的完整网页名称；如果要指定目录，则应以 / 标记结尾。支持使用星号 (*) 通配符表示路径前缀、后缀或整个字符串。Allow：[每条规则需要至少一个或多个 Disallow 或 Allow 条目] 上文中提到的用户代理应抓取的目录或网页（以相对于根网域的路径表示）。此指令用于替换 Disallow 指令，从而允许抓取已禁止访问的目录中的子目录或网页。如果要指定网页，就应提供浏览器中显示的完整网页名称；如果要指定目录，则应以 / 标记结尾。支持使用星号 (*) 通配符表示路径前缀、后缀或整个字符串。Sitemap：[可选，每个文件可包含零个或多个] 相应网站的站点地图的位置。此行不是必需的，您可酌情指定多个站点地图，并使用换行符分隔各个站点地图。站点地图是一种用于指示 Google 应抓取哪些内容的理想方式，但并不用于指示 Google 可以抓取或不能抓取哪些内容。详细了解站点地图。
未知关键字将被忽略。
再看一个示例文件
robots.txt 文件由一个或多个规则块组成，其中每个规则块都以 User-agent 行（指定了相应规则适用的目标）开头。下面是一个包含两条规则的文件；内嵌的备注分别对每条规则进行了解析：
# Block googlebot from example.com/directory1/... and example.com/directory2/... # but allow access to directory2/subdirectory1/... # All other directories on the site are allowed by default. User-agent: googlebot Disallow: /directory1/ Disallow: /directory2/ Allow: /directory2/subdirectory1/ # Block the entire site from anothercrawler. User-agent: anothercrawler Disallow: /
robots.txt 的完整语法
您可在此处找到 robots.txt 的完整语法。robots.txt 语法的某些部分比较棘手，需要重点学习，因此请一定仔细阅读整个文档。
实用的 robots.txt 规则
下面是一些常见的实用 robots.txt 规则：
| 规则 | 示例 |
|---|---|
| 禁止抓取整个网站。 请注意，在某些情况下，Google 即使未抓取网站的网址，仍可能会将其编入索引。注意：这不适用于各种 AdsBot 抓取工具，此类抓取工具必须明确指定。 | User-agent: * Disallow: / |
| 禁止抓取某一目录及其内容（在目录名后面添加一道正斜线）。请注意，若想禁止访问私密内容，则不应使用 robots.txt，而应改用适当的身份验证机制。对于 robots.txt 文件所禁止抓取的网址，Google 仍可能会在不进行抓取的情况下将其编入索引；另外，由于 robots.txt 文件可供任何人随意查看，因此可能会泄露您的私密内容的位置。 | User-agent: * Disallow: /calendar/ Disallow: /junk/ |
| 仅允许使用某一抓取工具 | User-agent: Googlebot-news Allow: / User-agent: * Disallow: / |
| 允许使用除某一抓取工具以外的其他所有抓取工具 | User-agent: Unnecessarybot Disallow: / User-agent: * Allow: / |
禁止抓取某一网页（在正斜线后面列出网页）： | Disallow: /private_file.html |
禁止 Google 图片访问某一特定图片： | User-agent: Googlebot-Image Disallow: /images/dogs.jpg |
禁止 Google 图片访问您网站上的所有图片： | User-agent: Googlebot-Image Disallow: / |
禁止抓取某一特定类型的文件（例如 | User-agent: Googlebot Disallow: /*.gif$ |
禁止抓取整个网站，但允许在这些网页上显示 AdSense 广告（禁止使用除 Mediapartners-Google 以外的所有网页抓取工具）。这种方法会阻止您的网页显示在搜索结果中，但 Mediapartners-Google 网页抓取工具仍能分析这些网页，以确定要向您网站上的访问者显示哪些广告。 | User-agent: * Disallow: / User-agent: Mediapartners-Google Allow: / |
匹配以某一特定字符串结尾的网址 - 需使用美元符号 ($)。例如，示例代码会禁止访问以 .xls 结尾的所有网址： | User-agent: Googlebot Disallow: /*.xls$ |
