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。

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;

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:/

本站使用的Robots协议

User-agent: *
Disallow: /wp-*/
Disallow: /*?connect=*
Disallow: /goto/*
Disallow: /aff/*
Disallow: /gotourl/*
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.wppao.com/sitemap.xml