1. 什么是 robots.txt 文件?
搜索引擎通过一种程序robot（又称spider），自动访问互联网上的网页并获取网页信息。
您可以在您的网站中创建一个纯文本文件robots.txt，在这个文件中声明该网站中不想被robot访问的部分，这样，该网站的部分或全部内容就可以不被搜索引擎收录了，或者指定搜索引擎只收录指定的内容。
2. robots.txt 文件放在哪里?
robots.txt 文件应该放在网站根目录下。举例来说，当robots访问一个网站（比如 //www.abc.com ）时，首先会检查该网站中是否存在 //www.abc.com/robots.txt 这个文件，如果机器人找到这个文件，它就会根据这个文件的内容，来确定它访问权限的范围。
| 网站 URL | 相应的 robots.txt的 URL |
| //www.w3.org/ | //www.w3.org/robots.txt |
| //www.w3.org:80/ | //www.w3.org:80/robots.txt |
| //www.w3.org:1234/ | //www.w3.org:1234/robots.txt |
| //w3.org/ | //w3.org/robots.txt |
3. robots.txt 文件的格式
"robots.txt"文件包含一条或更多的记录，这些记录通过空行分开（以CR,CR/NL, or NL作为结束符），每一条记录的格式如下所示：
"<field>:<optionalspace><value><optionalspace>"。
在该文件中可以使用#进行注解，具体使用方法和UNIX中的惯例一样。该文件中的记录通常以一行或多行User-agent开始，后面加上若干Disallow行,详细情况如下：
User-agent:
该项的值用于描述搜索引擎robot的名字，在"robots.txt"文件中，如果有多条User-agent记录说明有多个robot会受到该协议的限制，对该文件来说，至少要有一条User-agent记录。如果该项的值设为*，则该协议对任何机器人均有效，在"robots.txt"文件中，"User-agent:*"这样的记录只能有一条。
Disallow:
该项的值用于描述不希望被访问到的一个URL，这个URL可以是一条完整的路径，也可以是部分的，任何以Disallow开头的URL均不会被robot访问到。例如"Disallow:/help"对/help.html 和/help/index.html都不允许搜索引擎访问，而"Disallow:/help/"则允许robot访问/help.html，而不能访问/help/index.html。任何一条Disallow记录为空，说明该网站的所有部分都允许被访问，在"/robots.txt"文件中，至少要有一条Disallow记录。如果"/robots.txt"是一个空文件，则对于所有的搜索引擎robot，该网站都是开放的。
4. robots.txt 文件用法举例
|
例1. 禁止所有搜索引擎访问网站的任何部分 下载该 robots.txt 文件 |
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" file) |
User-agent: * Disallow: |
| 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 Disallow: User-agent: * Disallow: / |
|
例5.一个简单例子 在这个例子中，该网站有三个目录对搜索引擎的访问做了限制，即搜索引擎不会访问这三个目录。 需要注意的是对每一个目录必须分开声明，而不要写成 "Disallow: /cgi-bin/ /tmp/"。 User-agent:后的*具有特殊的含义，代表"any robot"，所以在该文件中不能有"Disallow: /tmp/*" or "Disallow:*.gif"这样的记录出现. |
User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /~joe/ |
5. robots.txt 文件参考资料
robots.txt 文件的更具体设置,请参看以下链接：
以上资料来自：//www.baidu.com/search/robots.html
一. 常见搜索引擎机器人Robots名字
| 名称 | 搜索引擎 |
| Baiduspider | //www.baidu.com |
| Scooter | //www.altavista.com |
| ia_archiver | //www.alexa.com |
| GoogleBot | //www.google.com |
| FAST-WebCrawler | //www.alltheweb.com |
| Slurp | //www.inktomi.com |
| MSNBot | //search.msn.com |
二. robots.txt 举例
下面是一些著名站点的 robots.txt:
//www.cnn.com/robots.txt
//www.google.com/robots.txt
//www.ibm.com/robots.txt
//www.sun.com/robots.txt
三. 常见 robots.txt 错误
四、 Robots META 标签
1、什么是 Robots META 标签
Robots.txt 文件主要是限制整个站点或者目录的搜索引擎访问情况，而 Robots META 标签则主要是针对一个个具体的页面。和其他的META标签(如使用的语言、页面的描述、关键词等)一样，Robots META 标签也是放在页面的中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。具体的形式类似：
<html>
<head>
<title>新华网-全球新闻网</title>
<meta name="Robots" content="index,follow">
<meta http-equiv="Content-Type" CONTENT="text/html; charset=gb2312">
<meta name="keywords" content="新华社…… ">
<meta name="description" content="新华网是由……">
<link rel="stylesheet" href="/public/css.css" type="text/css">
</head>
<body>
……
</body>
</html>
2、Robots META 标签的写法:
Robots META 标签中没有大小写之分，name=“Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为 name=“BaiduSpider”。content 部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。
INDEX 指令告诉搜索机器人抓取该页面;
FOLLOW 指令表示搜索机器人可以沿着该页面上的链接继续抓取下去;
Robots Meta 标签的缺省值是INDEX和FOLLOW，只有 inktomi 除外，对于它，缺省值是INDEX,NOFOLLOW。
这样，一共有四种组合:
<META NAME="ROBOTS" CONTENT="INDEX,FOLLOW">
<META NAME="ROBOTS" CONTENT="NOINDEX,FOLLOW">
<META NAME="ROBOTS" CONTENT="INDEX,NOFOLLOW">
<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW">
其中 <META NAME="ROBOTS" CONTENT="INDEX,FOLLOW"> 可以写成 <META NAME="ROBOTS" CONTENT="ALL">；<META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW"> 可以写成 <META NAME="ROBOTS" CONTENT="NONE">
要注意的是:上述的 robots.txt 和 Robots META 标签限制搜索引擎机器人(ROBOTS)抓取站点内容的办法只是一种规则，需要搜索引擎机器人的配合才行，并不是每个ROBOTS都遵守的。
目前看来，绝大多数的搜索引擎机器人都遵守 robots.txt 的规则，而对于 Robots META 标签，目前支持的并不多，但是正在逐渐增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE还增加了一个指令“archive”，可以限制GOOGLE是否保留网页快照。例如：<META NAME="googlebot" CONTENT="index,follow,noarchive"> 表示抓取该站点中页面并沿着页面中链接抓取，但是不在Google上保留该页面的网页快照。
