博客已经较长时间没有更新了，为什么呢？因为这几天在忙着建一个小博客，用来写什么心情啊、乱七八糟的东西。现在已经基本搞定了就叫Don’t Talk Me。我不希望这个博客被搜索引擎搜到的，我除了将本身设为搜索不可见外，按照波波的建议，我又加了个ROBOTS.TXT来限制搜索机器人的访问。
为什么不让搜索引擎搜索到Don’t Talk Me呢？我这个博客地址是http://www.dingood.com/talk，如果让搜索引擎收录的话，就会把Don’t Talk Me作为我现在博客的一个目录，这样我博客的主题就会很乱，更google、baidu等一种乱七八糟什么都写的感觉，那是不好的。具体要怎么实现这个功能呢？就要用到ROBOTS.TXT了
当然我这里并没有将所有的用法写出来，就总结了一些大多数人能用到的方法。高手请飘过哈~
1、 什么是robots.txt？
robots.txt是一个纯文本文件，通过在这个文件中声明该网站中不想被robots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。当一个搜索机器人访问一个站点时，它会首先检查该站点根目录下是否 存在robots.txt，如果找到，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，那么搜索机器人就沿着链接抓取。
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。
网站 URL : http://www.dingood.com
相应的 robots.txt的 URL : http://www.dingood.com/robots.txt
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。
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目录）
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
4、 常见robots.txt错误
1.一行只能写一个命令，而且顺序不能颠倒~
2.命令前面有大量空格，这是不允许的。
3.虽然标准是没有大小写的，但是目录和文件名应该小写。
4.语法中只有Disallow，没有Allow！
5.忘记了斜杠/，错误的写做：
User-agent: Baiduspider
Disallow: css
6.404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。
网友评论