禁止搜索引擎抓取robots.txt文件的设置常识

　　通常情况下,网站都是需要让搜索引擎收录的,这样才能更好地增加网站的访问量,但是也有个别行业的网站,如安全性要求较高银行和企业的内部管理系统等他们这种站的安全性和私密性较高,肯定是不希望把数据在第三方上显露,那么如果禁止网站被搜索引擎抓取呢?盛辉科技总结如下:

　　先在站点的根目录下新建一个robots.txt文本文件。当搜索蜘蛛访问这个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索蜘蛛就会先读取这个文件的内容:

　　文件写法

　　User-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符

　　Disallow: / 这里定义是禁止爬寻站点所有的内容

　　Disallow: /admin/ 这里定义是禁止爬寻admin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 告诉爬虫这个页面是网站地图

　　下面列出来的是比较出名的搜索引擎蜘蛛名称：

　　Google的蜘蛛： Googlebot

　　百度的蜘蛛：baiduspider

　　Yahoo的蜘蛛：Yahoo Slurp

　　MSN的蜘蛛：Msnbot

　　Altavista的蜘蛛：Scooter

　　Lycos的蜘蛛： Lycos_Spider_(T-Rex)

　　Alltheweb的蜘蛛： FAST-WebCrawler/

　　INKTOMI的蜘蛛： Slurp

　　SOGOU的蜘蛛：Sogou web spider/4.0和Sogou inst spider/4.0

　　按照以上的说明,我们可以给大案一个示例,以Sogou的来说,禁止抓取的robots.txt代码写法如下:

　　User-agent: Sogou web spider/4.0

　　Disallow: /goods.php

　　Disallow: /category.php