索引限制文件robots.txt使用说明

 

一、robots.txt的作用

robots.txt的作用就是告诉搜索引擎哪些内容不要索引，一般为了实现如下目的而使用：

（1）禁止搜索引擎索引系统文件，后台文件，模板文件，背景图片。这样做一方面可以防止搜索引擎收录很多无关内容，另外可以降低搜索引擎蜘蛛抓取网站时消耗的资源

（2）禁止搜索引擎收录需要保密的文件，或者是隐私内容。不过值得注意的是，robots.txt只能告诉搜索引擎不收录这些内容，但是并不能防止这些内容被访问，如果是重要信息最好是设置密码。

（3）网址规范化方面的应用。启用伪静态的网站，一般同时存在至少两套网址，一套是rewrite之后的静态地址，一套是原始的动态地址，如果不限制，搜索引擎可能会收录大量的重复内容。为了方式这种情况，可以将动态格式的地址禁止索引。

二、robots.txt的语法：

       我们要在虚拟空间的网站目录（Windows虚拟主机在/htdocs下，Linux虚拟主机在根目录下）建立robots.txt文件，里面包含的语法如下：

User-agent: 该项的值用于描述搜索引擎蜘蛛的名字。如果该项的值设为*，则该协议对任何机器人均有效。

Disallow: 该项的值用于描述不希望被访问到的一个URL，一个目录或者整个网站。以Disallow 开头的URL 均不会被搜索引擎蜘蛛访问到。任何一条Disallow 记录为空，说明该网站的所有部分都允许被访问。

三、robots.txt使用例子：

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robots访问 (或者也可以建一个空文件 “/robots.txt” file)　

　　User-agent: *　

Allow:　

 

例3. 禁止某个搜索引擎的访问（禁止BaiDuSpider）

　　User-agent: BaiDuSpider　

Disallow: /　

 

例4. 允许某个搜索引擎的访问　

　　User-agent: Baiduspider　

allow:/　

 

例5.禁止二个目录搜索引擎访问

    User-agent: * 

Disallow: /admin/

Disallow: /install/

 

例6. 仅允许Baiduspider以及Googlebot访问

User-agent: Baiduspider

Allow: /

User-agent: Googlebot

Allow: /

User-agent: *

Disallow: /

 

例7. 禁止百度搜索引擎抓取你网站上的所有图片

User-agent: Baiduspider

Disallow: /*.jpg$

Disallow: /*.jpeg$

Disallow: /*.gif$

Disallow: /*.png$

Disallow: /*.bmp$

四、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“htdocs”目录下，因此在 robots.txt文件中加入“Disallow: / htdocs”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。

五、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。