Question

用robots.txt屏蔽站外URL怎么写?

Answer 1

什么样的URL需要robots.txt 禁止搜索引擎蜘蛛抓取呢？
1.同时存在动态和静态URL
通常情况下很多网站都会对URL进行静态化，但是很多时候在网站的运营过程中，往往导致动态URL也被抓取了，比如营销部门不小心用动态URL来推广，比如产品部门不小心也用了动态URL，这个时候就会导致两个不一样的URL对应相同的内容，这对搜索引擎来讲是不友好的，也会导致权重的分散，或者导致搜索引擎抓取的页面不是站长需要的，这时候就需要用robots.txt来屏蔽动态的URL了。
2.有些内容我们不需要搜索引擎进行抓取
大家都知道淘宝不希望被百度抓取，淘宝认为他的商品页面最具价值，不希望百度收录之后导致用户搜索商品到来百度搜索，这样对淘宝来讲是不利益的，所以淘宝就屏蔽了百度的抓取，自然淘宝也少了很多流量。
我们有些会员信息，网站程序URL等都不希望被搜索引擎抓取，那么也可以用robots.txt进行屏蔽。
利用robots.txt 禁止不想被收录的url的好处：
1.重复的URL被屏蔽之后，有利于权重的积累
2.屏蔽一些无效的URL能提高搜索引擎的抓取效率，因为搜索引擎到网站的时间是固定的，那么如果有很多无效的URL，对于大型网站来讲，比如几千万级别的，搜索引擎花了大量的时间处理无效的URL，自然对有效的URL处理的时间就会减少，自然就会导致收录有问题。
robots.txt的撰写规则：
robots.txt文件是一个文本文件，使用任何一个常见的文本编辑器，比如Windows系统自带的Notepad，就可以创建和编辑它[2]。robots.txt是一个协议，而不是一个命令。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。

当一个搜索蜘蛛访问一个站点时，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。

如果将网站视为酒店里的一个房间，robots.txt就是主人在房间门口悬挂的“请勿打扰”或“欢迎打扫”的提示牌。这个文件告诉来访的搜索引擎哪些房间可以进入和参观，哪些房间因为存放贵重物品，或可能涉及住户及访客的隐私而不对搜索引擎开放。但robots.txt不是命令，也不是防火墙，如同守门人无法阻止窃贼等恶意闯入者。

User-agent: * 这里的代表的所有的搜索引擎种类，是一个通配符

Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录　

Disallow: /require/ 这里定义是禁止爬寻require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的动态页面　

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

追问

我的网站上有天猫的URL，我不想让搜索引擎抓取这个URL，那是不是我直接写 Disallow: +天猫URL就可以了呢？