029-88661315
robots.txt协议如何使用及写作语法
凯发ag旗舰
2016-04-29
次
一键分享
如何使用robots.txt及其详解
在国内，凯发ag旗舰管理者似乎对robots.txt并没有引起多大重视，应一些朋友之请求，今天想通过这篇文章来简单谈一下robots.txt的写作。
robots.txt基本介绍
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（有的叫搜索蜘蛛）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，那么搜索机器人就沿着链接抓取。
另外，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。
robots.txt写作语法
首先，我们来看一个robots.txt范例：http://www.seovip.cn/robots.txt
访问以上具体地址，我们可以看到robots.txt的具体内容如下：
# robots.txt file from http://www.seovip.cn
# all robots will spider the domain
user-agent: *
disallow:
以上文本表达的意思是允许所有的搜索机器人访问www.seovip.cn站点下的所有文件。
具体语法分析：其中#后面文字为说明信息；user-agent:后面为搜索机器人的名称，后面如果是*，则泛指所有的搜索机器人；disallow:后面为不允许访问的文件目录。
下面，我将列举一些robots.txt的具体用法：
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任何部分
user-agent: *
disallow: /
禁止所有搜索引擎访问网站的几个部分（下例中的01、02、03目录）
user-agent: *
disallow: /01/
disallow: /02/
disallow: /03/
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crawler）
user-agent: crawler
disallow:
user-agent: *
disallow: /
另外，我觉得有必要进行拓展说明，对robots meta进行一些介绍：
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＜head＞＜/head＞中，专门用来告诉搜索引擎robots如何抓取该页的内容。
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：
＜meta name="robots" content="index,follow"＞
＜meta name="robots" content="noindex,follow"＞
＜meta name="robots" content="index,nofollow"＞
＜meta name="robots" content="noindex,nofollow"＞
其中
＜meta name="robots" content="index,follow"＞可以写成＜meta name="robots" content="all"＞；
＜meta name="robots" content="noindex,nofollow"＞可以写成＜meta name="robots" content="none"＞
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：
＜meta name="googlebot" content="index,follow,noarchive"＞
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。
如何使用robots.txt
robots.txt 文件对抓取网络的搜索引擎漫游器（称为漫游器）进行限制。这些漫游器是自动的，在它们访问网页前会查看是否存在限制其访问特定网页的 robots.txt 文件。如果你想保护网站上的某些内容不被搜索引擎收入的话，robots.txt是一个简单有效的工具。这里简单介绍一下怎么使用它。
如何放置robots.txt文件
robots.txt自身是一个文本文件。它必须位于域名的根目录中并 被命名为"robots.txt"。位于子目录中的 robots.txt 文件无效，因为漫游器只在域名的根目录中查找此文件。例如，http://www.example.com/robots.txt 是有效位置，http://www.example.com/mysite/robots.txt 则不是。
这里举一个robots.txt的例子:
user-agent: *
disallow: /cgi-bin/
disallow: /tmp/
disallow: /~name/
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: googlebot
disallow: /
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: googlebot
disallow: /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: googlebot
disallow: /*.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: googlebot
disallow: /*?
尽管我们不抓取被 robots.txt 拦截的网页内容或为其编制索引，但如果我们在网络上的其他网页中发现这些内容，我们仍然会抓取其网址并编制索引。因此，网页网址及其他公开的信息，例如指 向该网站的链接中的定位文字，有可能会出现在 google 搜索结果中。不过，您网页上的内容不会被抓取、编制索引和显示。
作为网站管理员工具的一部分，google提供了robots.txt分析工具。它可以按照 googlebot 读取 robots.txt 文件的相同方式读取该文件，并且可为 google user-agents（如 googlebot）提供结果。我们强烈建议您使用它。 在创建一个robots.txt文件之前，有必要考虑一下哪些内容可以被用户搜得到，而哪些则不应该被搜得到。 这样的话，通过合理地使用robots.txt, 搜索引擎在把用户带到您网站的同时，又能保证隐私信息不被收录。
误区一：我的网站上的所有文件都需要蜘蛛抓取，那我就没必要在添加robots.txt文件了。反正如果该文件不存在，所有的搜索蜘蛛将默认能够访问网站上所有没有被口令保护的页面。
每当用户试图访问某个不存在的url时，服务器都会在日志中记录404错误（无法找到文件）。每当搜索蜘蛛来寻找并不存在的robots.txt文件时，服务器也将在日志中记录一条404错误，所以你应该凯发ag旗舰中添加一个robots.txt。
误区二：在robots.txt文件中设置所有的文件都可以被搜索蜘蛛抓取，这样可以增加网站的收录率。
网站中的程序脚本、样式表等文件即使被蜘蛛收录，也不会增加网站的收录率，还只会浪费服务器资源。因此必须在robots.txt文件里设置不要让搜索蜘蛛索引这些文件。
具体哪些文件需要排除， 在robots.txt使用技巧一文中有详细介绍。
误区三：搜索蜘蛛抓取网页太浪费服务器资源，在robots.txt文件设置所有的搜索蜘蛛都不能抓取全部的网页。
如果这样的话，会导致整个网站不能被搜索引擎收录。
robots.txt使用技巧
1. 每当用户试图访问某个不存在的url时，服务器都会在日志中记录404错误（无法找到文件）。每当搜索蜘蛛来寻找并不存在的robots.txt文件时，服务器也将在日志中记录一条404错误，所以你应该在网站中添加一个robots.txt。
2. 网站管理员必须使蜘蛛程序远离某些服务器上的目录——保证服务器性能。比如：大多数网站服务器都有程序储存在“cgi-bin”目录下，因此在robots.txt文件中加入“disallow: /cgi-bin”是个好主意，这样能够避免将所有程序文件被蜘蛛索引，可以节省服务器资源。一般网站中不需要蜘蛛抓取的文件有：后台管理文件、程序脚本、附件、数据库文件、编码文件、样式表文件、模板文件、导航图片和背景图片等等。
下面是verycms里的robots.txt文件：
user-agent: *
disallow: /admin/ 后台管理文件
disallow: /require/ 程序文件
disallow: /attachment/ 附件
disallow: /images/ 图片
disallow: /data/ 数据库文件
disallow: /template/ 模板文件
disallow: /css/ 样式表文件
disallow: /lang/ 编码文件
disallow: /script/ 脚本文件
3. 如果你的网站是动态网页，并且你为这些动态网页创建了静态副本，以供搜索蜘蛛更容易抓取。那么你需要在robots.txt文件里设置避免动态网页被蜘蛛索引，以保证这些网页不会被视为含重复内容。
4. robots.txt文件里还可以直接包括在sitemap文件的链接。就像这样：
sitemap: sitemap.xml
目前对此表示支持的搜索引擎公司有google, yahoo, ask and msn。而中文搜索引擎公司，显然不在这个圈子内。这样做的好处就是，站长不用到每个搜索引擎的站长工具或者相似的站长部分，去提交自己的sitemap文件，搜索引擎的蜘蛛自己就会抓取robots.txt文件，读取其中的sitemap路径，接着抓取其中相链接的网页。
5. 合理使用robots.txt文件还能避免访问时出错。比如，不能让搜索者直接进入购物车页面。因为没有理由使购物车被收录，所以你可以在robots.txt文件里设置来阻止搜索者直接进入购物车页面。
【凯发ag旗舰的版权声明】:本站内容来自于与互联网(注明原创稿件除外),供访客免费学习需要。如文章或图像侵犯到您的权益，请及时告知，我们第一时间删除处理！谢谢！
