當(dāng)搜索引擎訪問一個(gè)網(wǎng)站時(shí)，它首先會檢查該網(wǎng)站的根域下是否有一個(gè)叫做robots.txt的純文本文件。Robots.txt文件用于限定搜索引擎對其網(wǎng)站的訪問范圍，即告訴搜索引擎網(wǎng)站中哪些文件是允許它進(jìn)行檢索(下載)的。這就是大家在網(wǎng)絡(luò)上?？吹降摹熬芙^Robots訪問標(biāo)準(zhǔn)”(Robots Exclusion Standard)。下面我們簡稱RES。 Robots.txt文件的格式：Robots.txt文件的格式比較特殊，它由記錄組成。這些記錄通過空行分開。其中每條記錄均由兩個(gè)域組成： 　　 1) 一個(gè)User-Agent(用戶代理)字符串行； 　　 2) 若干Disallow字符串行。 　　 記錄格式為： ":" 　　 下面我們分別對這兩個(gè)域做進(jìn)一步說明。 User-agent(用戶代理)： 　　 User-agent行(用戶代理行) 用于指定搜索引擎robot的名字，以Google的檢索程序Googlebot為例，有：User-agent: Googlebot 　　 一個(gè)robots.txt中至少要有一條User-agent記錄。如果有多條User-agent記錄，則說明有多個(gè)robot會受到RES標(biāo)準(zhǔn)的限制。當(dāng)然了，如果要指定所有的robot，只需用一個(gè)通配符"*"就搞定了，即：User-agent: * Disallow(拒絕訪問聲明)： 　　 在Robots.txt文件中，每條記錄的第二個(gè)域是Disallow:指令行。這些Disallow行聲明了該網(wǎng)站中不希望被訪問的文件和(或)目錄。例如"Disallow: email.htm"對文件的訪問進(jìn)行了聲明，禁止Spiders下載網(wǎng)站上的email.htm文件。而"Disallow: /cgi-bin/"則對cgi-bin目錄的訪問進(jìn)行了聲明，拒絕Spiders進(jìn)入該目錄及其子目錄。Disallow聲明行還具有通配符功能。例如上例中"Disallow: /cgi-bin/"聲明了拒絕搜索引擎對cgi-bin目錄及其子目錄的訪問，而"Disallow:/bob"則拒絕搜索引擎對/bob.html和/bob/indes.html的訪問(即無論是名為bob的文件還是名為bob的目錄下的文件都不允許搜索引擎訪問)。Disallow記錄如果留空，則說明該網(wǎng)站的所有部分都向搜索引擎開放。 空格 & 注釋 　　 在robots.txt文件中，凡以"#"開頭的行，均被視為注解內(nèi)容，這和UNIX中的慣例是一樣的。但大家需要注意兩個(gè)問題： 　　 1) RES標(biāo)準(zhǔn)允許將注解內(nèi)容放在指示行的末尾，但這種格式并不是所有的Spiders都能夠支持。譬如，并不是所有的Spiders都能夠正確理解"Disallow: bob #comment"這樣一條指令。有的Spiders就會誤解為Disallow的是"bob#comment"。最好的辦法是使注解自成一行。 　　 2) RES標(biāo)準(zhǔn)允許在一個(gè)指令行的開頭存在空格，象"Disallow: bob #comment"，但我們也并不建議大家這么做。 Robots.txt文件的創(chuàng)建： 　　 需要注意的是，應(yīng)當(dāng)在UNIX命令行終端模式下創(chuàng)建Robots.txt純文本文件。好的文本編輯器一般都能夠提供UNIX模式功能，或者你的FTP客戶端軟件也“應(yīng)該”能夠替你轉(zhuǎn)換過來。如果你試圖用一個(gè)沒有提供文本編輯模式的HTML編輯器來生成你的robots.txt純文本文件，那你可就是瞎子打蚊子——白費(fèi)力氣了。 對RES標(biāo)準(zhǔn)的擴(kuò)展： 　　 盡管已經(jīng)提出了一些擴(kuò)展標(biāo)準(zhǔn)，如Allow行或Robot版本控制(例如應(yīng)該忽略大小寫和版本號)，但尚未得到RES工作組的正式批準(zhǔn)認(rèn)可。 附錄I. Robots.txt用法舉例： 　　 使用通配符"*"，可設(shè)置對所有robot的訪問權(quán)限。 　　 User-agent: * 　　 Disallow: 　　 表明：允許所有搜索引擎訪問網(wǎng)站下的所有內(nèi)容。 　　 User-agent: * 　　 Disallow: / 　　 表明：禁止所有搜索引擎對網(wǎng)站下所有網(wǎng)頁的訪問。 　　 User-agent: * 　　 Disallow: /cgi-bin/Disallow: /images/ 　　 表明：禁止所有搜索引擎進(jìn)入網(wǎng)站的cgi-bin和images目錄及其下所有子目錄。需要注意的是對每一個(gè)目錄必須分開聲明。 　　 User-agent: Roverdog 　　 Disallow: / 　　 表明：禁止Roverdog訪問網(wǎng)站上的任何文件。 　　 User-agent: Googlebot Disallow: cheese.htm 　　 表明：禁止Google的Googlebot訪問其網(wǎng)站下的cheese.htm文件。 　　 上面介紹了一些簡單的設(shè)置，對于比較復(fù)雜的設(shè)置，可參看一些大型站點(diǎn)如CNN或Looksmart的robots.txt文件(www.cnn.com/robots.txt, www.looksmart.com/robots.txt ) 附錄II. 相關(guān)robots.txt文章參考： 　　 1. Robots.txt常見問題解析 　　 2. Robots Meta Tag的使用 　　 3. Robots.txt檢測程序