一．什么是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。
二.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http://www.abc.com）时，首先会检查该网站中是否存在http://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
http://www.w3.org/http://www.w3.org/robots.txt
http://www.w3.org:80/http://www.w3.org:80/robots.txt
http://www.w3.org:1234/http://www.w3.org:1234/robots.txt
http://w3.org/http://w3.org/robots.txt
三.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,orNL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。
四.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.txtfile)
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anyrobot，所以在该文件中不能有Disallow:/tmp/*orDisallow:*.gif这样的记录出现.
User-agent:*
Disallow:/cgi-bin/
Disallow:/tmp/
Disallow:/~joe/
五.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：
·WebServerAdministrator‘‘sGuidetotheRobotsExclusionProtocol
·HTMLAuthor‘‘sGuidetotheRobotsExclusionProtocol
·Theoriginal1994protocoldescription,ascurrentlydeployed
·TherevisedInternet-Draftspecification,whichisnotyetcompletedorimplemented
在你的主页中为WebRobot设计路标。
Internet越来越酷，WWW的知名度如日中天。在Internet上发布公司信息、进行电子商务已经从时髦演化成时尚。作为一个WebMaster，你可能对HTML、javascript、Java、ActiveX了如指掌，但你是否知道什么是WebRobot？你是否知道WebRobot和你所设计的主页有什么关系？
Internet上的流浪汉---WebRobot
有时你会莫名其妙地发现你的主页的内容在一个搜索引擎中被索引，即使你从未与他们有过任何联系。其实这正是WebRobot的功劳。WebRobot其实是一些程序，它可以穿越大量Internet网址的超文本结构，递归地检索网络站点所有的内容。这些程序有时被叫“蜘蛛（Spider）”，“网上流浪汉（WebWanderer）”，“网络蠕虫（webworms）”或Webcrawler。一些Internet网上知名的搜索引擎站点（SearchEngines）都有专门的WebRobot程序来完成信息的采集，例如Lycos，Webcrawler，Altavista等，以及中文搜索引擎站点例如北极星，网易，GOYOYO等。
WebRobot就象一个不速之客，不管你是否在意，它都会忠于自己主人的职责，任劳任怨、不知疲倦地奔波于万维网的空间，当然也会光临你的主页，检索主页内容并生成它所需要的记录格式。或许有的主页内容你乐于世人皆知，但有的内容你却不愿被洞察、索引。难道你就只能任其“横行”于自己主页空间，能否指挥和控制WebRobot的行踪呢？答案当然是肯定的。只要你阅读了本篇的下文，就可以象一个交通警察一样，布置下一个个路标，告诉WebRobot应该怎么去检索你的主页，哪些可以检索，哪些不可以访问。
其实WebRobot能听懂你的话。
不要以为WebRobot是毫无组织，毫无管束地乱跑。很多WebRobot软件给网络站点的管理员或网页内容制作者提供了两种方法来限制WebRobot的行踪：
1、RobotsExclusionProtocol协议
网络站点的管理员可以在站点上建立一个专门格式的文件，来指出站点上的哪一部分可以被robot访问,这个文件放在站点的根目录下，即robots.txt.http://.../robots.txt.
2、RobotsMETAtag
一个网页作者可以使用专门的HTMLMETAtag，来指出某一个网页是否可以被索引、分析或链接。
这些方法适合于大多数的WebRobot，至于是否在软件中实施了这些方法，还依赖于Robot的开发者，并非可以保证对任何Robot都灵验。如果你迫切需要保护自己内容，则应考虑采用诸如增加密码等其他保护方法。
使用RobotsExclusionProtocol协议
当Robot访问一个Web站点时，它先去检查文件robots.txt。如果这个文件存在，它便会按照这样的记录格式去分析：
User-agent:*
Disallow:/cgi-bin/
Disallow:/tmp/
Disallow:/~joe/
以确定它是否应该检索站点的文件。这些记录是专门给WebRobot看的，一般的浏览者大概永远不会看到这个文件，所以千万不要异想天开地在里面加入形似<imgsrc=*>类的HTML语句或是“Howdoyoudo?whereareyoufrom?”之类假情假意的问候语。
在一个站点上只能有一个/robots.txt文件，而且文件名的每个字母要求全部是小写。在Robot的记录格式中每一个单独的Disallow行表示你不希望Robot访问的URL，每个URL必须单独占一行，不能出现Disallow:/cgi-bin//tmp/这样的病句。同时在一个记录中不能出现空行，这是因为空行是多个记录分割的标志。
User-agent行指出的是Robot或其他代理的名称。在User-agent行，‘‘*‘‘表示一个特殊的含义---所有的robot。
下面是几个robot.txt的例子：
在整个服务器上拒绝所有的robots：
User-agent:*
Disallow:/
允许所有的robots访问整个站点：
User-agent:*
Disallow:或者产生一个空的/robots.txt文件。
服务器的部分内容允许所有的robot访问
User-agent:*
Disallow:/cgi-bin/
Disallow:/tmp/
Disallow:/private/
拒绝某一个专门的robot：
User-agent:BadBotDisallow:/
只允许某一个robot光顾：
User-agent:WebCrawlerDisallow:
User-agent:*Disallow:/
最后我们给出http://www.w3.org/站点上的robots.txt：
#Forusebysearch.w3.orgUser-agent:W3Crobot/1
Disallow:
User-agent:*
Disallow:/Member/#ThisisrestrictedtoW3CMembersonly
Disallow:/member/#ThisisrestrictedtoW3CMembersonly
Disallow:/team/#ThisisrestrictedtoW3CTeamonly
Disallow:/TandS/Member#ThisisrestrictedtoW3CMembersonly
Disallow:/TandS/Team#ThisisrestrictedtoW3CTeamonly
Disallow:/Project
Disallow:/Systems
Disallow:/Web
Disallow:/Team
使用RobotsMETAtag方式
RobotsMETAtag允许HTML网页作者指出某一页是否可以被索引，或是否可以用来查找更多的链接文件。目前只有部分robot实施了这一功能。
RobotsMETAtag的格式为：
<METANAME=ROBOTSCONTENT=NOINDEX,NOFOLLOW>
象其他的METAtag一样，它应该放在HTML文件的HEAD区：
<html>
<head>
<metaname=robotscontent=noindex,nofollow>
<metaname=descriptioncontent=Thispage....>
<title>...</title>
</head>
<body>
...
RobotsMETAtag指令使用逗号隔开，可以使用的指令包括[NO]INDEX和[NO]FOLLOW。INDEX指令指出一个索引性robot是否可以对本页进行索引；FOLLOW指令指出robot是否可以跟踪本页的链接。缺省的情况是INDEX和FOLLOW。例如：
<metaname=robotscontent=index,follow>
<metaname=robotscontent=noindex,follow>
<metaname=robotscontent=index,nofollow>
<metaname=robotscontent=noindex,nofollow>
一个好的Web站点管理员应该将robot的管理考虑在内，使robot为自己的主页服务，同时又不损害自己网页的安全。
