我们在做网站时，有些目录或者文件不希望搜索引擎蜘蛛搜索到，比如后台，重要页面或文件。那么我们这时该怎么办呢？最简单的方法是修改robots.txt文件和网页中的robots Meta标签。

robots.txt文件是做什么的，robots文件又称robots协议（也称为爬虫协议、爬虫规则、机器人协议等）robots协议是告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。robots协议不是命令，它只是一个网站国际互联网界通行的道德规范，知名的引擎蜘蛛都会遵守这个协议，只有一些缺乏职业道德的搜索引擎会绕开它。所以修改这个协议也不是万能保险的。

robots.txt文件是一个放置在网站根目录下的记事本文件，当搜索蜘蛛访问网站时，它会先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。百度官方建议，仅当您的网站包含不希望被搜索引擎收录的内容时，才需要使用robots.txt文件。如果您希望搜索引擎收录网站上所有内容，请勿建立robots.txt文件。

robots文件屏蔽的写法

下面是一个网站的robots文件的代码样式。

User-agent: * 
Disallow: /sad/ad_js.php 
Disallow: /sad/advancedsearch.php 
Disallow: /sad/car.php 
Disallow: /sad/carbuyaction.php 
Disallow: /sad/shops_buyaction.php 
Disallow: /sad/erraddsave.php 
Disallow: /sad/posttocar.php 
Disallow: /sad/disdls.php 
Disallow: /sad/feedback_js.php 
Disallow: /sad/mytag_js.php 
Disallow: /sad/rss.php 
Disallow: /sad/search.php 
Disallow: /sad/recommend.php 
Disallow: /sad/stow.php 
Disallow: /sad/count.php 
Disallow: /include 
Disallow: /templets 

我们来看一下它的意思。

robots文件中应同时包含2个域，“User-agent:”和“Disallow:”，其中User-agent:代表允许、 Disallow: 代表禁止。每条指令独立一行。并且User-agent必须出现在第一行（有意义的行，注释除外），首先声明用户代理。

User-agent:

User-agent:指定允许哪些蜘蛛抓取，如果给出参数，则只有指定的蜘蛛能够抓取；如值为通配符“*”号，代表允许所有蜘蛛抓取。如：

User-agent: Googlebot

只允许Google的蜘蛛抓取。

User-agent: baiduspider

只允许百度的蜘蛛抓取。

User-agent: *

这个是指允许所有蜘蛛抓取，*为通配符，代表所有。

Disallow:

这个是表示禁止蜘蛛抓取的，以上面的robots文件为例。

Disallow: /sad/ad_js.php

这个是指禁止引擎蜘蛛抓取网站中sad目录中的ad_js.php文件

Disallow: /include

这个是指禁止引擎蜘蛛抓取网站中include整个目录，它和Disallow: /include/不是等同的。

Disallow: /include/

这个是指禁止引擎蜘蛛抓取网站中include目录下面的目录，但include目录中的文件蜘蛛仍然可以抓取。

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

Allow:

这是允许的意思。

Allow: /include/　

这里是允许爬寻include目录下面的目录

Allow: /include

这里是允许爬寻include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

robot文件的常见用法

例1. 禁止所有搜索引擎访问整个网站。

User-agent: *

Disallow: /

例2.禁止百度蜘蛛访问整个网站。

User-agent: baiduspider

Disallow: /

例3.允许所有搜索引擎访问（也可以建立一个空robots.txt文件或者不建立robots文件）

User-agent: *

Allow:　/

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。

robots Meta标签屏蔽法

robots.txt是放在网站中，文件级的网络蜘蛛授权；而robots Meta标签是放在网页中，一般用于部分网页需要单独设置的情况下。两者的功能是一样的。

Meta robots标签必须放在和之间，格式：

content中的值决定允许抓取的类型，必须同时包含两个值：是否允许索引（index）和是否跟踪链接（follow，也可以理解为是否允许沿着网页中的超级链接继续抓取）。共有4个参数可选，组成4个组合：

index,follow：允许抓取本页，允许跟踪链接。

index,nofollow：允许抓取本页，但禁止跟踪链接。

noindex,follow：禁止抓取本页，但允许跟踪链接。

noindex,nofllow：禁止抓取本页，同时禁止跟踪本页中的链接。

以上1和4还有另一种写法：

index,follow可以写成all，如：

noindex,nofollow可以写成none，如：

需要注意的是，robots Meta标签很多搜索引擎是不支持的，只有少数搜索引擎能够识别并按给定的值抓取。所以，尽可能的使用robots.txt文件来限制抓取。