如何设置网站的robots.txt

  做过网站优化的朋友都知道,搜索引擎蜘蛛爬行抓取网站时首先会去访问根目录下的robots.txt文件,如果robots文件存在,则会根据robots文件内设置的规则进行爬行抓取,如果文件不存在则会顺着首页进行抓取,那么robots文件的工作原理是什么呢?如何对robots.txt文件进行设置。

  robots.txt是一个纯文本的文件,文件的名字必须全部小写,并且放置在网站的根目录下面,通过文件中的规则声明网站哪些内容不想被搜索引擎蜘蛛抓取收录,或者指定某个搜索引擎不能收录robots.txt也叫做爬虫协议,遵循爬虫协议的搜索引擎蜘蛛,都会根据协议的内容对网站进行爬虫抓取的。

一、什么是robots.txt?

  这是一个文本文件,是搜索引擎爬行网页要查看的第一个文件,你可以告诉搜索引擎哪些文件可以被查看,哪些禁止。

  当搜索机器人访问一个站点时,它首先会检查根目录是否存在robots.txt,如果有就确定抓取范围,没有就按链接顺序抓取。

二、robots.txt有什么用?

  为何需要用robots.txt这个文件来告诉搜索机器人不要爬行我们的部分网页,比如: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。说到底了,这些页面或文件被搜索引擎收录了,用户也看不了,多数需要口令才能进入或是数据文件。既然这样,又让搜索机器人爬行的话,就浪费了服务器资源,增加了服务器的压力,因此我们可以用robots.txt告诉机器人集中注意力去收录我们的文章页面,增强用户体验

三、robots设置:

1、用robots屏蔽网站重复页

  很多网站一个内容提供多种浏览版本,虽然很方便用户,却对蜘蛛造成了困难,因为它分不清那个是主,那个是次,一旦让它认为你在恶意重复,你就惨了

  User-agent: *
  Disallow: /sitemap/ 《禁止蜘蛛抓取 文本网页》

2、用robots保护网站安全

  很多人纳闷了,robots怎么还和网站安全有关系了?其实关系还很大,不少低级黑客就是通过搜索默认后台登陆,以达到入侵网站的目标

  User-agent: *
  Disallow: /admin/ 《禁止蜘蛛抓取admin目录下所有文件》

3、防止盗链

  一般盗链也就几个人,可是一旦被搜索引擎“盗链”那家伙你100M宽带也吃不消,如果你做的不是图片网站,又不想被搜索引擎“盗链”你的网站图片

  User-agent: *
  Disallow: .jpg$

4、提交网站地图

  现在做优化的都知道做网站地图了,可是却没几个会提交的,绝大多数人是干脆在网页上加个链接,其实robots是支持这个功能的

  Sitemap: http:-www-***-com/sitemaps/sitemaps.xml

5、禁止某二级域名的抓取

  一些网站会对VIP会员提供一些特殊服务,却又不想这个服务被搜索引擎检索到

  User-agent: *
  Disallow: /

  以上五招robots足以让你对搜索引擎蜘蛛掌控能力提升不少,就像百度说的:我们和搜索引擎应该是朋友,增加一些沟通,才能消除一些隔膜。

四、robots.txt基本语法

1、robots.txt的几个关键语法:

  a、User-agent: 应用下文规则的漫游器,比如Googlebot,Baiduspider等。
  b、Disallow: 要拦截的网址,不允许机器人访问。
  c、Allow: 允许访问的网址
  d、”*” : 通配符—匹配0或多个任意字符。
  e、”$” : 匹配行结束符。
  f、”#” : 注释—说明性的文字,不写也可。
  g、Googlebot: 谷歌搜索机器人(也叫搜索蜘蛛)。
  h、Baiduspider: 百度搜索机器人(也叫搜索蜘蛛)。
  i、目录、网址的写法:都以以正斜线 (/) 开头。如:
  Disallow:/
  Disallow:/images/
  Disallow:/admin/
  Disallow:/css/

2、列举一些robots.txt 具体用法:

允许所有的robot访问
  User-agent: *
  Disallow:
  或者
  User-agent: *
  Allow: /
  或者建一个空文件”robots.txt”即可。
仅禁止某个机器人访问您的网站,如Baiduspider。
  User-agent: Baiduspider
  Disallow: /
仅允许某个机器人访问您的网站,如Baiduspider。
  User-agent: Baiduspider
  Disallow:
  User-agent: *
  Disallow: /
禁止访问特定目录
  User-agent: *
  Disallow: /admin/
  Disallow: /css/
  Disallow:
要拦截对所有包含问号 (?) 的网址的访问(具体地说,这种网址以您的域名开头、后接任意字符串,然后接问号,而后又接任意字符串),请使用以下内容:
  User-agent: Googlebot
  Disallow: /*?
要指定与某个网址的结尾字符相匹配,请使用 $。例如,要拦截以 .xls 结尾的所有网址,请使用以下内容:

  User-agent: Googlebot
  Disallow: /*.xls$

  您可将此模式匹配与 Allow 指令配合使用。例如,如果 ? 代表一个会话 ID,那么您可能希望排除包含 ? 的所有网址,以确保 Googlebot 不会抓取重复网页。但是以 ? 结尾的网址可能是您希望包含在内的网页的版本。在此情况下,您可以对您的 robots.txt 文件进行如下设置:

  User-agent: *
  Allow: /*?$
  Disallow: /*?
  Disallow: /*? 指令会阻止包含 ? 的所有网址(具体地说,它将拦截所有以您的域名开头、后接任意字符串,然后接问号,而后又接任意字符串的网址)。
  Allow: /*?$ 指令将允许以 ? 结尾的任何网址(具体地说,它将允许所有以您的域名开头、后接任意字符串,然后接 ?,? 之后不接任何字符的网址)。

  以上介绍多数都是Google的http:-www-google-com/support/we … cn&answer=40360,百度的大同小异具体可以看http:-www-baidu-com/search/robots.html

  一般网站查看robots.txt文件的方法是主页后面加robots.txt就可以,比如淘宝网的就是http:-www-taobao-com/robots.txt

  请注意,仅当您的网站包含不希望被搜索引擎收录的内容时,才需要使用robots.txt文件。如果您希望搜索引擎收录网站上所有内容,请勿建立robots.txt文件。

上一篇:爬虫


下一篇:网络爬虫 robots协议 robots.txt