如何使用robots.txt及其詳解

在國內(nèi)，網(wǎng)站管理者似乎對robots.txt并沒有引起多大重視，應(yīng)一些朋友之請求，今天想通過這篇文章來簡單談一下robots.txt的寫作。

robots.txt基本介紹

robots.txt是一個(gè)純文本文件，在這個(gè)文件中網(wǎng)站管理者可以聲明該網(wǎng)站中不想被robots訪問的部分，或者指定搜索引擎只收錄指定的內(nèi)容。

當(dāng)一個(gè)搜索機(jī)器人（有的叫搜索蜘蛛）訪問一個(gè)站點(diǎn)時(shí)，它會首先檢查該站點(diǎn)根目錄下是否存在robots.txt，如果存在，搜索機(jī)器人就會按照該文件中的內(nèi)容來確定訪問的范圍；如果該文件不存在，那么搜索機(jī)器人就沿著鏈接抓取。

另外，robots.txt必須放置在一個(gè)站點(diǎn)的根目錄下，而且文件名必須全部小寫。

robots.txt寫作語法

首先，我們來看一個(gè)robots.txt范例：http://www.seovip.cn/robots.txt

訪問以上具體地址，我們可以看到robots.txt的具體內(nèi)容如下：

# Robots.txt file from http://www.seovip.cn

# All robots will spider the domain

User-agent: *

Disallow:

以上文本表達(dá)的意思是允許所有的搜索機(jī)器人訪問www.seovip.cn站點(diǎn)下的所有文件。

具體語法分析：其中#后面文字為說明信息；User-agent:后面為搜索機(jī)器人的名稱，后面如果是*，則泛指所有的搜索機(jī)器人；Disallow:后面為不允許訪問的文件目錄。

下面，我將列舉一些robots.txt的具體用法：

允許所有的robot訪問

User-agent: *

Disallow:

或者也可以建一個(gè)空文件 "/robots.txt" file

禁止所有搜索引擎訪問網(wǎng)站的任何部分

User-agent: *

Disallow: /

禁止所有搜索引擎訪問網(wǎng)站的幾個(gè)部分（下例中的01、02、03目錄）

User-agent: *

Disallow: /01/

Disallow: /02/

Disallow: /03/

禁止某個(gè)搜索引擎的訪問（下例中的BadBot）

User-agent: BadBot

Disallow: /

只允許某個(gè)搜索引擎的訪問（下例中的Crawler）

User-agent: Crawler

Disallow:

User-agent: *

Disallow: /

另外，我覺得有必要進(jìn)行拓展說明，對robots meta進(jìn)行一些介紹：

Robots META標(biāo)簽則主要是針對一個(gè)個(gè)具體的頁面。和其他的META標(biāo)簽（如使用的語言、頁面的描述、關(guān)鍵詞等）一樣，Robots META標(biāo)簽也是放在頁面的＜head＞＜/head＞中，專門用來告訴搜索引擎ROBOTS如何抓取該頁的內(nèi)容。

Robots META標(biāo)簽的寫法：

Robots META標(biāo)簽中沒有大小寫之分，name=”Robots”表示所有的搜索引擎，可以針對某個(gè)具體搜索引擎寫為name=”BaiduSpider”。 content部分有四個(gè)指令選項(xiàng)：index、noindex、follow、nofollow，指令間以“,”分隔。

INDEX 指令告訴搜索機(jī)器人抓取該頁面；

FOLLOW 指令表示搜索機(jī)器人可以沿著該頁面上的鏈接繼續(xù)抓取下去；

Robots Meta標(biāo)簽的缺省值是INDEX和FOLLOW，只有inktomi除外，對于它，缺省值是INDEX,NOFOLLOW。

這樣，一共有四種組合：

＜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"＞可以寫成＜META NAME="ROBOTS" CONTENT="ALL"＞；

＜META NAME="ROBOTS" CONTENT="NOINDEX,NOFOLLOW"＞可以寫成＜META NAME="ROBOTS" CONTENT="NONE"＞

目前看來，絕大多數(shù)的搜索引擎機(jī)器人都遵守robots.txt的規(guī)則，而對于Robots META標(biāo)簽，目前支持的并不多，但是正在逐漸增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE還增加了一個(gè)指令“archive”，可以限制GOOGLE是否保留網(wǎng)頁快照。例如：

＜META NAME="googlebot" CONTENT="index,follow,noarchive"＞

表示抓取該站點(diǎn)中頁面并沿著頁面中鏈接抓取，但是不在GOOLGE上保留該頁面的網(wǎng)頁快照。

如何使用robots.txt

robots.txt 文件對抓取網(wǎng)絡(luò)的搜索引擎漫游器（稱為漫游器）進(jìn)行限制。這些漫游器是自動的，在它們訪問網(wǎng)頁前會查看是否存在限制其訪問特定網(wǎng)頁的 robots.txt 文件。如果你想保護(hù)網(wǎng)站上的某些內(nèi)容不被搜索引擎收入的話，robots.txt是一個(gè)簡單有效的工具。這里簡單介紹一下怎么使用它。

如何放置Robots.txt文件

robots.txt自身是一個(gè)文本文件。它必須位于域名的根目錄中并 被命名為"robots.txt"。位于子目錄中的 robots.txt 文件無效，因?yàn)槁纹髦辉谟蛎母夸浿胁檎掖宋募＠纾琱ttp://www.example.com/robots.txt 是有效位置，http://www.example.com/mysite/robots.txt 則不是。

這里舉一個(gè)robots.txt的例子:

User-agent: *

Disallow: /cgi-bin/

Disallow: /tmp/

Disallow: /~name/

使用 robots.txt 文件攔截或刪除整個(gè)網(wǎng)站 

要從搜索引擎中刪除您的網(wǎng)站，并防止所有漫游器在以后抓取您的網(wǎng)站，請將以下 robots.txt 文件放入您服務(wù)器的根目錄：

User-agent: *

Disallow: /

要只從 Google 中刪除您的網(wǎng)站，并只是防止 Googlebot 將來抓取您的網(wǎng)站，請將以下 robots.txt 文件放入您服務(wù)器的根目錄：

User-agent: Googlebot

Disallow: /

每個(gè)端口都應(yīng)有自己的 robots.txt 文件。尤其是您通過 http 和 https 托管內(nèi)容的時(shí)候，這些協(xié)議都需要有各自的 robots.txt 文件。例如，要讓 Googlebot 只為所有的 http 網(wǎng)頁而不為 https 網(wǎng)頁編制索引，應(yīng)使用下面的 robots.txt 文件。

對于 http 協(xié)議 (http://yourserver.com/robots.txt):

User-agent: *

Allow: /

對于 https 協(xié)議 (https://yourserver.com/robots.txt):

User-agent: *

Disallow: /

允許所有的漫游器訪問您的網(wǎng)頁

User-agent: *

Disallow:

(另一種方法: 建立一個(gè)空的 "/robots.txt" 文件, 或者不使用robot.txt。)

使用 robots.txt 文件攔截或刪除網(wǎng)頁

您可以使用 robots.txt 文件來阻止 Googlebot 抓取您網(wǎng)站上的網(wǎng)頁。 例如，如果您正在手動創(chuàng)建 robots.txt 文件以阻止 Googlebot 抓取某一特定目錄下（例如，private）的所有網(wǎng)頁，可使用以下 robots.txt 條目： 

 User-agent: Googlebot

Disallow: /private

要阻止 Googlebot 抓取特定文件類型（例如，.gif）的所有文件，可使用以下 robots.txt 條目：

User-agent: Googlebot

Disallow: /*.gif$

要阻止 Googlebot 抓取所有包含 ? 的網(wǎng)址（具體地說，這種網(wǎng)址以您的域名開頭，后接任意字符串，然后是問號，而后又是任意字符串），可使用以下條目：

User-agent: Googlebot

Disallow: /*?

盡管我們不抓取被 robots.txt 攔截的網(wǎng)頁內(nèi)容或?yàn)槠渚幹扑饕绻覀冊诰W(wǎng)絡(luò)上的其他網(wǎng)頁中發(fā)現(xiàn)這些內(nèi)容，我們?nèi)匀粫ト∑渚W(wǎng)址并編制索引。因此，網(wǎng)頁網(wǎng)址及其他公開的信息，例如指 向該網(wǎng)站的鏈接中的定位文字，有可能會出現(xiàn)在 Google 搜索結(jié)果中。不過，您網(wǎng)頁上的內(nèi)容不會被抓取、編制索引和顯示。

作為網(wǎng)站管理員工具的一部分，Google提供了robots.txt分析工具。它可以按照 Googlebot 讀取 robots.txt 文件的相同方式讀取該文件，并且可為 Google user-agents（如 Googlebot）提供結(jié)果。我們強(qiáng)烈建議您使用它。 在創(chuàng)建一個(gè)robots.txt文件之前，有必要考慮一下哪些內(nèi)容可以被用戶搜得到，而哪些則不應(yīng)該被搜得到。 這樣的話，通過合理地使用robots.txt, 搜索引擎在把用戶帶到您網(wǎng)站的同時(shí)，又能保證隱私信息不被收錄。

       誤區(qū)一：我的網(wǎng)站上的所有文件都需要蜘蛛抓取，那我就沒必要在添加robots.txt文件了。反正如果該文件不存在，所有的搜索蜘蛛將默認(rèn)能夠訪問網(wǎng)站上所有沒有被口令保護(hù)的頁面。

　　每當(dāng)用戶試圖訪問某個(gè)不存在的URL時(shí)，服務(wù)器都會在日志中記錄404錯誤（無法找到文件）。每當(dāng)搜索蜘蛛來尋找并不存在的robots.txt文件時(shí)，服務(wù)器也將在日志中記錄一條404錯誤，所以你應(yīng)該做網(wǎng)站中添加一個(gè)robots.txt。

　　誤區(qū)二：在robots.txt文件中設(shè)置所有的文件都可以被搜索蜘蛛抓取，這樣可以增加網(wǎng)站的收錄率。

　　網(wǎng)站中的程序腳本、樣式表等文件即使被蜘蛛收錄，也不會增加網(wǎng)站的收錄率，還只會浪費(fèi)服務(wù)器資源。因此必須在robots.txt文件里設(shè)置不要讓搜索蜘蛛索引這些文件。

　　具體哪些文件需要排除， 在robots.txt使用技巧一文中有詳細(xì)介紹。

　　誤區(qū)三：搜索蜘蛛抓取網(wǎng)頁太浪費(fèi)服務(wù)器資源，在robots.txt文件設(shè)置所有的搜索蜘蛛都不能抓取全部的網(wǎng)頁。

　　如果這樣的話，會導(dǎo)致整個(gè)網(wǎng)站不能被搜索引擎收錄。

robots.txt使用技巧

   1. 每當(dāng)用戶試圖訪問某個(gè)不存在的URL時(shí)，服務(wù)器都會在日志中記錄404錯誤（無法找到文件）。每當(dāng)搜索蜘蛛來尋找并不存在的robots.txt文件時(shí)，服務(wù)器也將在日志中記錄一條404錯誤，所以你應(yīng)該在網(wǎng)站中添加一個(gè)robots.txt。

　　2. 網(wǎng)站管理員必須使蜘蛛程序遠(yuǎn)離某些服務(wù)器上的目錄——保證服務(wù)器性能。比如：大多數(shù)網(wǎng)站服務(wù)器都有程序儲存在“cgi-bin”目錄下，因此在robots.txt文件中加入“Disallow: /cgi-bin”是個(gè)好主意，這樣能夠避免將所有程序文件被蜘蛛索引，可以節(jié)省服務(wù)器資源。一般網(wǎng)站中不需要蜘蛛抓取的文件有：后臺管理文件、程序腳本、附件、數(shù)據(jù)庫文件、編碼文件、樣式表文件、模板文件、導(dǎo)航圖片和背景圖片等等。

　　下面是VeryCMS里的robots.txt文件：

　　User-agent: *

　　Disallow: /admin/ 后臺管理文件

　　Disallow: /require/ 程序文件

　　Disallow: /attachment/ 附件

　　Disallow: /images/ 圖片

　　Disallow: /data/ 數(shù)據(jù)庫文件

　　Disallow: /template/ 模板文件

　　Disallow: /css/ 樣式表文件

　　Disallow: /lang/ 編碼文件

　　Disallow: /script/ 腳本文件

　　3. 如果你的網(wǎng)站是動態(tài)網(wǎng)頁，并且你為這些動態(tài)網(wǎng)頁創(chuàng)建了靜態(tài)副本，以供搜索蜘蛛更容易抓取。那么你需要在robots.txt文件里設(shè)置避免動態(tài)網(wǎng)頁被蜘蛛索引，以保證這些網(wǎng)頁不會被視為含重復(fù)內(nèi)容。

　　4. robots.txt文件里還可以直接包括在sitemap文件的鏈接。就像這樣：

　　Sitemap: sitemap.xml

　　目前對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，顯然不在這個(gè)圈子內(nèi)。這樣做的好處就是，站長不用到每個(gè)搜索引擎的站長工具或者相似的站長部分，去提交自己的sitemap文件，搜索引擎的蜘蛛自己就會抓取robots.txt文件，讀取其中的sitemap路徑，接著抓取其中相鏈接的網(wǎng)頁。

　　5. 合理使用robots.txt文件還能避免訪問時(shí)出錯。比如，不能讓搜索者直接進(jìn)入購物車頁面。因?yàn)闆]有理由使購物車被收錄，所以你可以在robots.txt文件里設(shè)置來阻止搜索者直接進(jìn)入購物車頁面。