日常 如何屏蔽搜索引擎蜘蛛的爬行！

 日常 如何屏蔽搜索引擎蜘蛛的爬行！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robotsMeta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:/plus/ad_js.php
    这个是指禁止引擎蜘蛛抓取网站中plus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“anyrobot”，所以在该文件中不能有“Disallow:/tmp/*”or“Disallow:*.gif”这样的记录出现。
    robotsMeta标签屏蔽法
    robots.txt是放在网站中，文件级的网络蜘蛛授权；而robotsMeta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。
    Metarobots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，robotsMeta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。
    允许所有蜘蛛爬行User-agent:*如何屏蔽搜索引擎蜘蛛的爬行robots文件语法含义