本节介绍如何测试robots.txt文件以查找Web应用程序目录或文件夹路径的信息泄漏。此外，Spiders，Robots或Crawler要避免的目录列表也可以创建为应用程序的Map执行路径的依赖项（OTG-INFO-007）
测试目标
1. Web应用程序的目录或文件夹路径的信息泄漏。
2.创建Spiders，Robots或Crawlers要避免的目录列表。
如何测试
的robots.txt
Web Spider，Robots或Crawlers检索网页，然后递归遍历超链接以检索更多Web内容。他们接受的行为由web根目录[1]中robots.txt文件的机器人排除协议指定。
例如，2013年8月11日http://www.google.com/robots.txt中抽取的robots.txt文件的开头引用如下：
用户代理： * 禁止：/搜索 禁止：/ sdch 禁止：/ groups 禁止：/ images 禁止：/目录 ...
该用户代理的指令是指特定的网络蜘蛛/机器人/爬虫。例如，User-Agent：Googlebot是指来自Google的蜘蛛，而“User-Agent：bingbot” [1]是指来自Microsoft / Yahoo!的爬虫。 上述示例中的User-Agent：*适用于以下引用的所有网络蜘蛛/机器人/抓取工具[2]：
用户代理： *
在不允许指令指定哪些资源蜘蛛/机器人/爬虫禁止。在上面的示例中，禁止使用以下目录：
... 禁止：/搜索 禁止：/ sdch 禁止：/ groups 禁止：/ images 禁止：/目录 ...
网络蜘蛛/机器人/抓取工具可以故意忽略robots.txt文件[3]中指定的Disallow指令，例如来自社交网络[2]的指令，以确保共享链接仍然有效。因此，robots.txt不应被视为对第三方访问，存储或重新发布Web内容的方式实施限制的机制。
webroot中的robots.txt - 带有“wget”或“curl”
从Web服务器的Web根目录检索robots.txt文件。例如，要使用“wget”或“curl”从www.google.com检索robots.txt：
cmlh $ wget http://www.google.com/robots.txt --2013-08-11 14：40：36-- http://www.google.com/robots.txt 解析www.google.com ... 74.125.237.17,74.125.237.18,74.125.237.19，... 连接到www.google.com | 74.125.237.17 |：80 ...已连接。 发送HTTP请求，等待响应... 200 OK 长度：未指定[text / plain] 保存到：'robots.txt.1' [<=>] 7,074 - .- K / s为0 2013-08-11 14:40:37（59.7 MB / s） - 'robots.txt'已保存[7074] cmlh $ head -n5 robots.txt 用户代理： * 禁止：/搜索 禁止：/ sdch 禁止：/ groups 禁止：/ images cmlh $ cmlh $ curl -O http://www.google.com/robots.txt ％总收到百分比％Xferd平均速度时间时间当前时间 Dload上载总左转速度 101 7074 0 7074 0 0 9410 0 - ： - ： - - ： - ： - - ： - ： - 27312 cmlh $ head -n5 robots.txt 用户代理： * 禁止：/搜索 禁止：/ sdch 禁止：/ groups 禁止：/ images cmlh $
webroot中的robots.txt - 使用rockspider
“rockspider” [3]自动创建Spiders / Robots / Crawler的网站文件和目录/文件夹的初始范围。
例如，要使用“rockspider” [4]从www.google.com创建基于Allowed：指令的初始范围：
cmlh $ ./rockspider.pl-www www.google.com “Rockspider”Alpha v0.1_2 版权所有2013 Christian Heinrich 根据Apache许可证2.0版获得许可 1.下载http://www.google.com/robots.txt 2.“robots.txt”保存为“www.google.com-robots.txt” 3.发送允许：www.google.com的URI到Web代理，即127.0.0.1:8080 / catalogs / about sent /目录/ P？发送 / news /目录已发送 ... 完成了。 cmlh $
使用Google网站管理员工具分析robots.txt
网站所有者可以使用Google“Analyze robots.txt”功能将网站分析为“Google网站管理员工具”（https://www.google.com/webmasters/tools）的一部分。该工具可以协助测试，程序如下：
1.使用Google帐户登录Google网站站长工具。
2.在仪表板上，写入要分析的站点的URL。
3.在可用方法之间进行选择，然后按照屏幕上的说明操作。
META标签
<META>标签位于每个HTML文档的HEAD部分内，并且在机器人/蜘蛛/爬虫起点不是从webroot以外的文档链接开始的情况下，应该在网站上保持一致，即“深度链接” “ [5]。
如果没有“<META NAME =”ROBOTS“...>”条目，则“机器人排除协议”分别默认为“INDEX，FOLLOW”。因此，“机器人排除协议”定义的其他两个有效条目的前缀为“NO ...”，即“NOINDEX”和“NOFOLLOW”。
网络蜘蛛/机器人/爬虫可以故意忽略“<META NAME =”ROBOTS“”标签，因为首选robots.txt文件约定。因此，<META>标签不应被视为主要机制，而是robots.txt的补充控制。
<META>标签 - 与Burp
根据webroot中robots.txt文件中列出的Disallow指令，在每个网页中搜索“<META NAME =”ROBOTS“”正则表达式，并将结果与webroot中的robots.txt文件进行比较。
例如，来自facebook.com的robots.txt文件有一个“Disallow：/ac.php”条目[6]，结果搜索“<META NAME =”ROBOTS“”如下所示： 
以上可能被视为失败，因为“INDEX，FOLLOW”是由“机器人排除协议”指定的默认<META>标签，但“disallow：/ac.php”列在robots.txt中。
来源：oschina
链接：https://my.oschina.net/u/3447023/blog/3017494