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。

　　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。
; ~# K. t! @8 d
+ e. V8 e* p# G' @8 m% c　　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。
9 ]4 b7 ?( G) d* E% z. V
　　语法：最简单的 robots.txt 文件使用两条规则：
* h0 Y8 Y: @- k8 E$ Y1 M! c3 A
1 m- d! G+ I, v: z　　• User-Agent: 适用下列规则的漫游器

- y1 P* H$ h  i. R* W　　• Disallow: 要拦截的网页
, Y9 _  v7 {- I, G1 I/ T0 M8 G5 b[编辑本段]
+ \& N5 c' E9 x; ~- L* i/ Probots.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。

. x3 D0 m/ H. w6 z6 }$ y　　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。

/ _1 H, H& O' j9 C1 t; D　　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。

+ s6 ~6 F; `( n- p7 G* B( k　　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。
$ v+ Q6 S% c3 w0 O
　　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文件设置所有的搜索蜘蛛都不能抓取全部的网页。
( P$ R; K' N$ u& D% q: h
　　如果这样的话，会导致整个网站不能被搜索引擎收录。
* v" ?! ~8 H7 q' `2 \/ p[编辑本段]
& ?+ R' a) ]5 H/ S# K4 K! i& Irobots.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。
3 i/ J/ P+ f8 A; H% j' q$ c9 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。

　　下面是VeryCMS里的robots.txt文件：

　　User-agent: *

　　Disallow: /admin/ 后台管理文件
0 ~) K1 B. F3 _# Z
" U/ ?2 U1 c7 D- N# L　　Disallow: /require/ 程序文件

9 o: y4 J1 t3 @! ]0 P　　Disallow: /attachment/ 附件

　　Disallow: /images/ 图片

　　Disallow: /data/ 数据库文件
* _" h  B0 y+ ]# k
4 h+ v3 I$ K1 b1 d# u$ L) j　　Disallow: /template/ 模板文件
( E, ~5 D0 v) H% h; X; U  _
& R$ Y, F0 Y- k+ R  f　　Disallow: /css/ 样式表文件
( M  t0 a6 C7 C9 b6 i  ?5 ^# h- O
1 b# B2 P# V- j9 x/ G) T+ |　　Disallow: /lang/ 编码文件
1 v+ D9 h+ p" F# N: A5 s8 y
　　Disallow: /script/ 脚本文件
& t* m4 \* |4 q7 q" t7 ~) q! V
  A2 x/ R& _1 B- i& }9 P+ N" ?2 D　　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。
  B% k! G3 Z% k% r* O) D6 ^
　　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

　　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。
4 R' k4 ~2 t% |! W% Q
　　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。