robots.txt详解

什么是robots.txt?

  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。   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。   语法:最简单的 robots.txt 文件使用两条规则:   ·

User-Agent

: 适用下列规则的漫游器    · Disallow: 要拦截的网页

编辑本段robots.txt使用误区

  误区一:我网站上所有的文件都需要被蜘蛛抓取,那我就没必要添加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

文件(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错误文件,所以你应该在网站中添加一个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

脚本程序

、样式表等文件即使被蜘蛛收录,也不会增加网站的收录率,还只会占用服务器存储空间。因此必须在robots.txt文件里设置不要让搜索蜘蛛索引脚本程序、样式表等文件,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文件中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

编辑本段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: http://www.***.com/sitemap.xml   (此处请填写完整URL,如果按习惯填写Sitemap: /sitemap.xml,提交后会提示:检测到无效的 Sitemap 网址;语法错误)   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。   

robots.txt文件的格式

  "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:   "<field>:<optionalspace><value><optionalspace>"。   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和Allow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"robots.txt"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*,则对任何robot均有效,在"robots.txt"文件中,"User- agent:*"这样的记录只能有一条。如果在"robots.txt"文件中,加入"User-agent:SomeBot"和若干Disallow、 Allow行,那么名为"SomeBot"只受到"User-agent:SomeBot"后面的Disallow和Allow行的限制。   Disallow:   该项的值用于描述不希望被访问的一组URL,这个值可以是一条完整的路径,也可以是路径的非空 前缀,以Disallow项的值开头的URL不会被robot访问。例如"Disallow:/help"禁止robot访问/help.html、 /helpabc.html、/help/index.html,而"allow:/help/"则允许robot访问/help.html、 /helpabc.html,不能访问/help/index.html。"Disallow:"说明允许robot访问该网站的所有url,在" /robots.txt"文件中,至少要有一条Disallow记录。如果"/robots.txt"不存在或者为空文件,则对于所有的搜索引擎 robot,该网站都是开放的。   Allow:   该项的值用于描述希望被访问的一组URL,与Disallow项相似,这个值可以是一条完整的 路径,也可以是路径的前缀,以Allow项的值开头的URL是允许robot访问的。例如"Allow:/hibaidu"允许robot访问 /hibaidu.htm、/hibaiducom.html、/hibaidu/com.html。一个网站的所有URL默认是Allow的,所以 Allow通常与Disallow搭配使用,实现允许访问一部分网页同时禁止访问其它所有URL的功能。   需要特别注意的是Disallow与Allow行的顺序是有意义的,robot会根据第一个匹配成功的Allow或Disallow行确定是否访问某个URL。   使用"*"和"$":    Baiduspider支持使用通配符"*"和"$"来模糊匹配url。   "$" 匹配行结束符。   "*" 匹配0或多个任意字符。   

robots.txt文件用法举例

 

例1.禁止所有搜索引擎访问网站的任何部分 User-agent: *    Disallow: /
例2.允许所有的robot访问   (或者也可以建一个空文件 "/robots.txt") User-agent: *   Allow: /    另一种写法是   User-agent: *   Disallow:
例3. 仅禁止Baiduspider访问您的网站 User-agent: Baiduspider   Disallow: /
例4. 仅允许Baiduspider访问您的网站 User-agent: Baiduspider   Allow: /
例5. 禁止spider访问特定目录   在这个例子中,该网站有三个目录对搜索引擎的访问做了限制,即robot不会访问这三个目录。需要注意的是对每一个目录必须分开声明,而不能写成 "Disallow: /cgi-bin/ /tmp/"。 User-agent: *   Disallow: /cgi-bin/   Disallow: /tmp/   Disallow: /~joe/
例6. 允许访问特定目录中的部分url User-agent: *   Allow: /cgi-bin/see   Allow: /tmp/hi   Allow: /~joe/look
例7. 使用"*"限制访问url   禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。 User-agent: *   Disallow: /cgi-bin/*.htm   
例8. 使用"$"限制访问url   仅允许访问以".htm"为后缀的URL。 User-agent: *   Allow: .htm$
例9. 禁止访问网站中所有的动态页面 User-agent: *   Disallow: /*?*
例10. 禁止Baiduspider抓取网站上所有图片   仅允许抓取网页,禁止抓取任何图片。 User-agent: Baiduspider   Disallow: .jpg$   Disallow: .jpeg$   Disallow: .gif$   Disallow: .png$   Disallow: .bmp$
例11. 仅允许Baiduspider抓取网页和.gif格式图片   允许抓取网页和gif格式图片,不允许抓取其他格式图片 User-agent: Baiduspider   Allow: .gif$   Disallow: .jpg$   Disallow: .jpeg$    Disallow: .png$   Disallow: .bmp$
例12. 仅禁止Baiduspider抓取.jpg格式图片 User-agent: Baiduspider   Disallow: .jpg$

发表评论