robots.txt（统一小写）是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络搜索引擎的漫游器（又称网络蜘蛛），此网站中的哪些内容是不应被搜索引擎的漫游器获取的，哪些是可以被漫游器获取的。因为一些系统中的URL是大小写敏感的，所以robots.txt的文件名应统一为小写。robots.txt应放置于网站的根目录下。如果想单独定义搜索引擎的漫游器访问子目录时的行为，那么可以将自定的设置合并到根目录下的robots.txt，或者使用robots元数据（Metadata）。
机器人排除协议最初于1994年提出，互联网工程任务组（IETF）在2022年通过RFC 9309将其标准化为互联网标准轨道文档。该协议用于请求爬虫遵守访问规则，并不是访问授权，也不能替代内容安全措施。注意robots.txt是用字符串比较来确定是否获取URL，所以目录末尾有与没有斜杠“/”表示的是不同的URL。robots.txt允许使用类似「Disallow: *.gif」这样的通配符。
其他的影响搜索引擎的行为的方法包括使用robots元数据：
这个协议也不是一个规范，而只是约定俗成的，有些搜索引擎会遵守这一规范，有些则不然。通常搜索引擎会识别这个元数据，不索引这个页面，以及这个页面的-{zh-cn:链;zh-tw:連;zh-hk:連}-出页面。
例子
允许所有的机器人：
User-agent: *
Disallow:
另一写法
User-agent: *
Allow:/
仅允许特定的机器人：（name_spider用真实名字代替）
User-agent: name_spider
Allow:
拦截所有的机器人：
User-agent: *
Disallow: /
禁止所有机器人访问特定目录：
User-agent: *
Disallow: /cgi-bin/
Disallow: /images/
Disallow: /tmp/
Disallow: /private/
仅禁止坏爬虫访问特定目录（BadBot用真实的名字代替）：
User-agent: BadBot
Disallow: /private/
禁止所有机器人访问特定文件类型
唯一要注意的就是要使用网站地图指令，,并将URL的「location」值换成网站地图的地址，例如，下面就是一个网站地图指令的例子：
Sitemap:
如何编写Sitemaps文件，请参考[https://www.sitemaps.org sitemaps.org]上的说明。
Crawl-delay指令
几大抓取工具支持Crawl-delay参数，设置为多少秒，以等待同服务器之间连续请求：
User-agent: *
Crawl-delay: 10
Allow指令
一些大的Crawlers支持一项Allow指令，可以抵消先前Disallow指令。比如Googlebot。
替代
雖然robots.txt是最為廣泛接受的方法，但也可以與robots META標籤一起使用。robots META標籤主要是針對一個獨立的頁面設定，與其他的META標籤（如使用的語言、頁面的描述、關鍵詞等）一樣，robots META標籤也是放在頁面的HEAD標籤中，專門用來告訴搜索引擎robots如何抓取該頁的內容。
參考文獻
外部連結
- [http://www.robotstxt.org The Web Robots Pages]
- [https://developers.google.com/search/reference/robots_txt Robots.txt規範] 于Google
- [https://developers.google.com/search/docs/advanced/robots/create-robots-txt 建立robots.txt檔案] 的说明于Google
评论 (0)