- 注册时间
- 2008-9-13
- 最后登录
- 1970-1-1
- 在线时间
- 0 小时
- 阅读权限
- 200
- 积分
- 0
- 帖子
- 24482
- 精华
- 4
- UID
- 9
  
|
[编辑本段]
1 z+ s% B0 Q8 s) c9 _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。/ ^% Q2 ?% r) ^# h4 L+ T: l/ V8 O
- v- D5 P% O( _% W( ^0 ~! `; v) ^
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。! M- p6 A: ]' a. C9 F% X
5 j& g: M# [/ Y3 K* J& q 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。
' Z# w, G# n6 b) i9 P1 W
7 \/ i2 C1 D( D$ o- W 语法:最简单的 robots.txt 文件使用两条规则: j# R9 D- Y; c- K( \
: H6 Q, v9 J1 R4 B9 O9 e • User-Agent: 适用下列规则的漫游器
0 S+ v% |8 Y7 ?4 Q: U$ y
: |* O' Q( `8 |! F+ I9 c1 y • Disallow: 要拦截的网页 2 _& _) n) }6 Z
[编辑本段]
: L5 L/ a) D! W; _3 p# Srobots.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。
- E4 J3 g" L( K0 l) O) h( `
M% |# ^* E+ Y1 F4 m 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 {. ~% d2 {, I2 u v" J
1 W: Q1 s5 T: u6 k) g 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。- E6 J7 M7 m% c
* F8 M9 G, c, t5 u 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+ i K. M6 n" a1 R8 |, w
' k9 {, W( B# b$ I t. A$ ?' F 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。
( m5 U& M: f" _$ z5 C8 y7 {8 u
, R7 {! m& V' L( W) k 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。
% s; z/ j' `2 z) L d! n! u/ r( L+ o& Z* y6 g% K8 m, [
如果这样的话,会导致整个网站不能被搜索引擎收录。 / [+ g/ X! v }# Y. V& e' I7 B( V
[编辑本段]* [) b# C4 l: v- e0 e) I: s$ ]1 N
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 W; }" T- ?/ x4 ]( M
$ ~) x$ u) L0 W
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。) ^$ d* F7 Q' ~
, v6 Z* |2 S3 J( w0 D
下面是VeryCMS里的robots.txt文件:
6 Y8 v$ R' M, E: M
1 D+ D0 k* S) L6 f User-agent: *7 L3 y4 h9 Y. j6 |2 @9 j
8 p% d0 H% U ~6 K$ I& C+ R
Disallow: /admin/ 后台管理文件0 Q3 Y6 V9 c# W4 u, Q L
g2 ?5 f* x& M$ z5 x
Disallow: /require/ 程序文件
8 P# H/ |7 l. d$ B9 F8 |5 e L
" R, _4 i" H# L* J Disallow: /attachment/ 附件
6 ?8 S0 n: J e: A3 ?7 ^. _1 I& S
4 P' F$ k( o0 B Disallow: /images/ 图片 \) z' O, c* Q$ g! J% A6 c4 |
; }% e7 t X( i5 L/ X: P Disallow: /data/ 数据库文件
, \! F8 C2 T+ y& Z1 X' @6 ?2 H% B- B! v6 O" Q* X. g
Disallow: /template/ 模板文件# a3 K6 X. N- ~( ] Z( u
2 `; w4 g: E' m, _- m ]$ k Disallow: /css/ 样式表文件
4 u+ I% W% e; P# m3 w
' k6 i) \' w6 C Disallow: /lang/ 编码文件/ s. M2 J+ }- k: \; e) p
! m( j, I2 R" l1 M2 } Disallow: /script/ 脚本文件
$ d1 {4 n5 t+ K* h
/ p! E6 t$ z* R; H0 ]! ] 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。' i) p4 D3 o+ u0 x2 `% }- i7 _7 z
H9 b g7 l) S2 r" }* o 4. robots.txt文件里还可以直接包括在sitemap文件的链接。就像这样:
: l7 X" Q6 W; g% B0 Y9 ]1 v8 b# C( Z
Sitemap: http://www.***.com/sitemap.xml4 x% k( w" R, ]$ ]2 _3 u2 ^, c
2 x+ Q$ Y7 ^2 k) B4 q3 l
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。$ x( ?3 \ Q2 e2 Q0 g' K6 I( ]
1 j8 E1 {' _5 s
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。 |
|