搜索引擎都有自己的“搜索机器人”(ROBOTS)，并通过这些ROBOTS在网络上沿着网页上的链接(一般是http和src链接)不断抓取资料建立自己的数据库。
对于网站管理者和内容提供者来说，有时候会有一些站点内容，不希望被ROBOTS抓取而公开。为了解决这个问题，ROBOTS开发界提供了两个办法:一个是robots.txt，另一个是The Robots META标签。

目前搜索引擎一般都是按照网站的robots设置来进行页面抓取。可以这么来说，如果你设置了允许抓取，则搜索引擎有权选择是否抓取该页面；但是如果你设置不允许抓取，那么搜索引擎就不能够抓取该页面，否则严重点可以到追究法律责任的程度。

关于robots.txt一般需要注意以下几点（常出现错误的地方）：

1、如果你的站点对所有搜索引擎公开，则不用做这个文件或者robots.txt为空就行。
2、必须命名为：robots.txt，都是小写，robot后面加”s”。
3、robots.txt必须放置在一个站点的根目录下。如：通过http://www.seowhy.com/robots.txt 可以成功访问到，则说明本站的放置正确。
4、一般情况下，robots.txt里只写着两个属性：User-agent和 Disallow。
5、观察这个页面并修改为自己的：http://www.seowhy.com/robots.txt
6、有几个禁止，就得有几个Disallow函数，并分行描述。
7、至少要有一个Disallow函数，如果都允许收录，则写: Disallow: ，如果都不允许收录，则写:Disallow: / （注：只是差一个斜杆）。

下面介绍一下robot的基础知识及书写设置方法。

　　一、 robots.txt
　　1、 什么是robots.txt?

robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。Robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。robots.txt 是一个纯文本文件，在这个文件中网站管理者可以声明该网站中不想被robots访问的部分，或者指定搜索引擎只收录指定的内容。
当一个搜索机器人robots（有的叫搜索蜘蛛或者爬虫）访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索引擎爬虫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，那么搜索引擎爬虫就沿着链接抓取。

robots.txt 文件限制抓取网络的搜索引擎爬虫对您的网站的访问。这些搜索引擎爬虫是自动的，它们在访问任意网站的网页之前，都会查看是否存在阻止它们访问特定网页的 robots.txt 文件。（虽然某些搜索引擎爬虫可能会以不同的方式解释 robots.txt 文件中的指令，但所有正规的搜索引擎爬虫都会遵循这些指令。然而，robots.txt 不是强制执行的，一些垃圾信息发送者和其他麻烦制造者可能会忽略它。因此，我们建议对机密信息采用密码保护。）

只有当您的网站中包含您不想让搜索引擎编入索引的内容时，才需要使用 robots.txt 文件。如果您希望搜索引擎将网站上的所有内容编入索引，则不需要 robots.txt 文件（甚至连空的 robots.txt 文件也不需要）。

　　robots.txt必须放置在一个站点的根目录下，而且文件名必须全部小写。它有两个基本属性。

　　2、 robots.txt的语法

　　”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, or NL作为结束符)，每一条记录的格式如下所示:

　　”:“。

　　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。
　　Sitemap

　　该项的值用于设置网站地图

　　下面是一些robots.txt基本的用法:

　　禁止所有搜索引擎访问网站的任何部分:

　　User-agent: *
　　Disallow: /

　　允许所有的robot访问

　　User-agent: *
　　Disallow:

　　或者也可以建一个空文件 “/robots.txt” file

　　禁止所有搜索引擎访问网站的几个部分(下例中的cgi-bin、tmp、private目录)

　　User-agent: *
　　Disallow: /cgi-bin/
　　Disallow: /tmp/
　　Disallow: /private/

　　禁止某个搜索引擎的访问(下例中的BadBot)

　　User-agent: BadBot
　　Disallow: /

　　只允许某个搜索引擎的访问(下例中的WebCrawler)

　　User-agent: WebCrawler
　　Disallow:
　　User-agent: *
　　Disallow: /

使用 robots.txt 文件拦截或删除整个网站

要从搜索引擎中删除您的网站，并防止所有漫游器在以后抓取您的网站，请将以下 robots.txt 文件放入您服务器的根目录：

User-agent: *Disallow: /
要只从 Google 中删除您的网站，并只是防止 Googlebot 将来抓取您的网站，请将以下 robots.txt 文件放入您服务器的根目录：
User-agent: GooglebotDisallow: /
每个端口都应有自己的 robots.txt 文件。尤其是您通过 http 和 https 托管内容的时候，这些协议都需要有各自的 robots.txt 文件。例如，要让 Googlebot 只为所有的 http 网页而不为 https 网页编制索引，应使用下面的 robots.txt 文件。

对于 http 协议 (http://yourserver.com/robots.txt):

User-agent: *Allow: /
对于 https 协议 (https://yourserver.com/robots.txt):

User-agent: *Disallow: /
允许所有的漫游器访问您的网页
User-agent: *Disallow:
(另一种方法: 建立一个空的 “/robots.txt” 文件, 或者不使用robot.txt。)

使用 robots.txt 文件拦截或删除网页

您可以使用 robots.txt 文件来阻止 Googlebot 抓取您网站上的网页。 例如，如果您正在手动创建 robots.txt 文件以阻止 Googlebot 抓取某一特定目录下（例如，private）的所有网页，可使用以下 robots.txt 条目：

User-agent: GooglebotDisallow: /private
要阻止 Googlebot 抓取特定文件类型（例如，.gif）的所有文件，可使用以下 robots.txt 条目：
User-agent: GooglebotDisallow: /*.gif$
要阻止 Googlebot 抓取所有包含 ? 的网址（具体地说，这种网址以您的域名开头，后接任意字符串，然后是问号，而后又是任意字符串），可使用以下条目：
User-agent: GooglebotDisallow: /*?

　　3、 常见搜索引擎机器人Robots名字

　　名称 搜索引擎

　　Baiduspider http://www.baidu.com

　　Scooter http://www.altavista.com

　　ia_archiver http://www.alexa.com

　　Googlebot http://www.google.com

　　FAST-WebCrawler http://www.alltheweb.com

　　Slurp http://www.inktomi.com

　　MSNBOT http://search.msn.com

　　4、 robots.txt举例

　　下面是一些著名站点的robots.txt，可做参考

　　http://www.cnn.com/robots.txt
　　http://www.google.com/robots.txt
　　http://www.ibm.com/robots.txt
　　http://www.sun.com/robots.txt
　　http://www.baidu.com/robots.txt

　　5、 常见robots.txt错误

　　颠倒了顺序:

　　错误写成

　　User-agent: *
　　Disallow: GoogleBot

　　正确的应该是:

　　User-agent: GoogleBot
　　Disallow: *

　　把多个禁止命令放在一行中:

　　例如，错误地写成

　　Disallow: /css/ /cgi-bin/ /images/

　　正确的应该是

　　Disallow: /css/
　　Disallow: /cgi-bin/
　　Disallow: /images/

　　行前有大量空格

　　例如写成

　　Disallow: /cgi-bin/

　　尽管在标准没有谈到这个，但是这种方式很容易出问题。

　　404重定向到另外一个页面:

　　当Robot访问很多没有设置robots.txt文件的站点时，会被自动404重定向到另外一个Html页面。这时Robot常常会以处理robots.txt文件的方式处理这个Html页面文件。虽然一般这样没有什么问题，但是最好能放一个空白的robots.txt文件在站点根目录下。

　　采用大写。例如

　　USER-AGENT: EXCITE
　　DISALLOW:

　　虽然标准是没有大小写的，但是目录和文件名应该小写:

　　user-agent:GoogleBot
　　disallow:

　　语法中有Disallow，没有Allow!

　　错误的写法是:

　　User-agent: Baiduspider
　　Disallow: /john/
　　allow: /jane/

　　忘记了斜杠/

　　错误的写做:

　　User-agent: Baiduspider
　　Disallow: css

　　正确的应该是

　　User-agent: Baiduspider
　　Disallow: /css/

　　下面一个在线小工具专门检查robots.txt文件的有效性:

http://www.sxw.org.uk/computing/robots/check.html

robots.txt在线生成：
http://www.robotstxt.com.cn/#G

当然也可以用谷歌管理员工具检测和在线生成robots.txt

关于robots.txt也可参考谷歌管理员博客的一篇文章：
http://www.googlechinawebmaster.com/2008/03/robotstxt.html

本站robots.txt参考：
http://lzw.me/robots.txt

　　二、 Robots META标签

　　1、什么是Robots META标签

　　Robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况，而Robots META标签则主要是针对一个个具体的页面。和其他的META标签(如使用的语言、页面的描述、关键词等)一样，Robots META标签也是放在页面的中，专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。具体的形式类似(见黑体部分):

　　
　　
　　
　　
　　
　　
　　
　　 　　

　　
　　…
　　
　　

　　2、Robots META标签的写法:

　　Robots META标签中没有大小写之分，name=”Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=”BaiduSpider”。content部分有四个指令选项:index、noindex、follow、nofollow，指令间以“,”分隔。

　　INDEX 指令告诉搜索机器人抓取该页面;
　　FOLLOW 指令表示搜索机器人可以沿着该页面上的链接继续抓取下去;
　　Robots Meta标签的缺省值是INDEX和FOLLOW，只有inktomi除外，对于它，缺省值是INDEX,NOFOLLOW。

　　这样，一共有四种组合:

　　
　　
　　
　　

　　 其中可以写成； 可以写成

　　要注意的是:上述的robots.txt和Robots META标签限制搜索引擎机器人(ROBOTS)抓取站点内容的办法只是一种规则，需要搜索引擎机器人的配合才行，并不是每个ROBOTS都遵守的。

　　目前看来，绝大多数的搜索引擎机器人都遵守robots.txt的规则，而对于Robots META标签，目前支持的并不多，但是正在逐渐增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE还增加了一个指令“archive”，可以限制GOOGLE是否保留网页快照。例如:

　　表示抓取该站点中页面并沿着页面中链接抓取，但是不在GOOLGE上保留该页面的网页快照