robots.txt

帅哥

[编辑本段]
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。

4 e! I/ M4 _$ q2 v: m. {: w　　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。

) v1 n' u$ C2 ^6 R! e; ]) D　　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。

  N, }$ g& o4 {; E' X. p　　语法：最简单的 robots.txt 文件使用两条规则：
4 R5 S/ p* E; k0 d
　　• User-Agent: 适用下列规则的漫游器

) V, d) c& x+ ]9 ^) r8 l　　• Disallow: 要拦截的网页
5 t4 k9 h, J9 G( |( O[编辑本段]
robots.txt使用误区　　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。
( L' B8 ?8 i7 t/ a, e6 w$ B
　　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，所以你应该做网站中添加一个robots.txt。
7 k9 N- n0 m' L6 y6 N; N
  l4 P2 h0 m) O( ^. @. f- Y　　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。
; p& T* j( r- X/ j' J# A( t/ `
　　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。
$ M/ t! G0 n$ ~( u: X/ |
　　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。
# g$ k- T/ @; @
　　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。
+ c' x% R; a, L) k4 g[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。
+ v) U% F0 v5 n) e0 J
- \+ B6 t. ~) c& A　　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。
1 }  B$ {6 v! r4 k
　　下面是VeryCMS里的robots.txt文件：
3 s- f1 g/ {# }4 u7 L" X7 Y
　　User-agent: *
! I4 I% @! g7 {4 B! P0 M
　　Disallow: /admin/ 后台管理文件

　　Disallow: /require/ 程序文件

　　Disallow: /attachment/ 附件

　　Disallow: /images/ 图片

7 ~! w. ^. J2 m2 W; X　　Disallow: /data/ 数据库文件

8 o: l$ K- p1 ]. K5 [6 @- _　　Disallow: /template/ 模板文件
, |# a* q4 X6 }3 c/ a
  E5 O9 \$ X* K8 F0 A　　Disallow: /css/ 样式表文件

9 d5 q( L& _) P& }　　Disallow: /lang/ 编码文件

. o. G% p9 D; q8 W1 U　　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。
6 f% t( k& m# C
9 v% s2 h! T3 ^. N, Y/ ?8 A　　4. robots.txt文件里还可以直接包括在sitemap文件的链接。就像这样：
+ D" f# I  i  U* B9 L0 ?: F2 M! I. g
　　Sitemap: http://www.***.com/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。

( P: b4 `6 m$ a　　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。