欢迎广大seo爱好者一起学习交流经验,一起学习SEO!
当前位置:浪旅seo > seo技术 > 正文

苏州网站建设过程中关于robots.txt的用途和使用方法

08-17 seo技术

  苏州网站建设过程中关于robots。txt的用途和使用方法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。

  在进行网站优化的时候,经常会使用robots文件把一些内容不想让蜘蛛抓取,以前写过一篇网站优化robots。txt文件的运用 现在写这编文章在补充一点点知识!什么是robots。txt文件。

  搜索引擎通过一种爬虫spider程序(又称搜索蜘蛛、robot、搜索机器人等),自动搜集互联网上的网页并获取相关信息。

  鉴于网络安全与隐私的考虑,搜索引擎遵循robots。txt协议。通过根目录中创建的纯文本文件robots。txt,网站可以声明不想被robots访问的部分。每个网站都可以自主控制网站是否愿意被搜索引擎收录,或者指定搜索引擎只收录指定的内容。当一个搜索引擎的爬虫访问一个站点时,它会首先检查该站点根目录下是否存在robots。txt,如果该文件不存在,那么爬虫就沿着链接抓取,如果存在,爬虫就会按照该文件中的内容来确定访问的范围。

  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。robots。txt文件的格式?

  Disallow! /cgi-bin/*。htm 禁止访问/cgi-bin/目录下的所有以。htm为后缀的URL(包含子目录)。

  Disallow!/ab/adc。html 禁止爬去ab文件夹下面的adc。html文件。

  例2。 允许所有的robot访问 (或者也可以建一个空文件 “/robots。txt” file)?

  需要注意的是对每一个目录必须分开声明,而不要写成 “Disallow! /cgi-bin/ /tmp/”。

  User-agent!后的*具有特殊的含义,代表“any robot”,所以在该文件中不能有“Disallow! /tmp/*” or “Disallow!*。gif”这样的记录出现。

  Googlebot 可识别称为“Allow”的 robots。txt 标准扩展名。seo技术其他搜索引擎的漫游器可能无法识别此扩展名,因此请使用您感兴趣的其他搜索引擎进行查找。“Allow”行的作用原理完全与“Disallow”行一样。只需列出您要允许的目录或页面即可。

  您也可以同时使用“Disallow”和“Allow”。例如,要拦截子目录中某个页面之外的其他所有页面,可以使用下列条目?

  如果您要拦截 Googlebot 并允许 Google 的另一个漫游器(如 Googlebot-Mobile),可使用”Allow”规则允许该漫游器的访问。例如。

  您可使用星号 (*) 来匹配字符序列。例如,要拦截对所有以 private 开头的子目录的访问,可使用下列条目?

  您可使用 $ 字符指定与网址的结束字符进行匹配。例如,要拦截以 。asp 结尾的网址,可使用下列条目。

  您可将此模式匹配与 Allow 指令配合使用。例如,如果 ? 表示一个会话 ID,您可排除所有包含该 ID 的网址,确保 Googlebot 不会抓取重复的网页。但是,以 ? 结尾的网址可能是您要包含的网页版本。在此情况下,可对 robots。txt 文件进行如下设置。

  一行将拦截包含 ? 的网址(具体而言,它将拦截所有以您的域名开头、后接任意字符串,然后是问号 (?),而后又是任意字符串的网址)。

  Allow! /*?$ 一行将允许包含任何以 ? 结尾的网址(具体而言,它将允许包含所有以您的域名开头、后接任意字符串,然后是问号 (?),问号之后没有任何字符的网址)。Robots Meta标签!

  Robots。txt文件主要是限制整个站点或者目录的搜索引擎访问情况,而Robots Meta标签则主要是针对一个个具体的页面。和其他的META标签(如使用的语言、页面的描述、关键词等)一样,Robots Meta标签也是放在页面的中,专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。

  Robots Meta标签中没有大小写之分,name=”Robots”表示所有的搜索引擎,可以针对某个具体搜索引擎写为name=”BaiduSpider”。content部分有四个指令选项:index、noindex、follow、nofollow,指令间以“,”分隔。

  Robots Meta标签的缺省值是index和follow,只有inktomi除外,对于它,缺省值是index、nofollow。

  需要注意的是:上述的robots。txt和Robots Meta标签限制搜索引擎机器人(ROBOTS)抓取站点内容的办法只是一种规则,需要搜索引擎机器人的配合才行,并不是每个ROBOTS都遵守的。

  目前看来,绝大多数的搜索引擎机器人都遵守robots。txt的规则,而对于RobotsMETA标签,目前支持的并不多,但是正在逐渐增加,如著名搜索引擎GOOGLE就完全支持,而且GOOGLE还增加了一个指令“archive”,可以限制GOOGLE是否保留网页快照。

  特别提示:robots里面内容的大小写不可更改,Disallow后面的冒号必须为英文状态的。

  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。

  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。

  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。

  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“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。

  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。

  (此处请填写XML地图的绝对路径,即完整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。

  robots。txt文件包含一条或更多的记录,这些记录通过空行分开(以CR,CR/NL, or NL作为结束符),每一条记录的格式如下所示?

  在该文件中可以使用#进行注解,具体使用方法和UNIX中的惯例一样。该文件中的记录通常以一行或多行User-agent开始,后面加上若干Disallow和Allow行,详细情况如下?

  该项的值用于描述搜索引擎robot的名字。在robots。txt文件中,如果有多条User-agent记录说明有多个robot会受到robots。txt的限制,对该文件来说,至少要有一条User-agent记录。如果该项的值设为*,则对任何robot均有效,在robots。txt文件中,User-agent!*这样的记录只能有一条。如果在robots。txt文件中,加入User-agent!SomeBot和若干Disallow、Allow行,那么名为SomeBot只受到User-agent!SomeBot后面的Disallow和Allow行的限制。

  该项的值用于描述不希望被访问的一组URL,这个值可以是一条完整的路径,也可以是路径的非空前缀,以Disallow项的值开头的URL不会被robot访问。例如Disallow!/help禁止robot访问/help。html、/helpabc。html、/help/index。html,而Disallow!/help/则允许robot访问/help。html、/helpabc。html,不能访问/help/index。html。Disallow!说明允许robot访问该网站的所有url,在/robots。txt文件中,至少要有一条Disallow记录。如果/robots。txt不存在或者为空文件,则对于所有的搜索引擎robot,该网站都是开放的。

  该项的值用于描述希望被访问的一组URL,与Disallow项相似,这个值可以是一条完整的路径,也可以是路径的前缀,以Allow项的值开头的URL是允许robot访问的。例如Allow!/hibaidu允许robot访问/hibaidu。htm、/hibaiducom。html、/hibaidu/com。html。一个网站的所有URL默认是Allow的,所以Allow通常与Disallow搭配使用,实现允许访问一部分网页同时禁止访问其它所有URL的功能。

  需要特别注意的是Disallow与Allow行的顺序是有意义的,robot会根据第一个匹配成功的Allow或Disallow行确定是否访问某个URL。

  robots。txt使用什么字符编码,并没有相关规定,都是各搜索引擎自已定义的。虽然google和其它搜索引擎建议大家使用 utf-8 字符编码格式的robots。txt,但几乎所有的搜索引擎都支持 ANSI 编码格式,而google自已对 utf-8 编码格式的robots。txt,会出现首字乱码。所以为了达到最大的兼容性,建议大家使用 ANSI 格式编码,或者使用 utf-8 编码格式,但需要空出首行。

  在这个例子中,该网站有三个目录对搜索引擎的访问做了限制,即robot不会访问这三个目录。需要注意的是对每一个目录必须分开声明,而不能写成 Disallow! /cgi-bin/ /tmp/。社会偏门歪道赚钱快seo赚钱特大骗局AI告白

版权保护: 本文由 浪旅seo博客 原创,转载请保留链接: https://www.xiaojinseo.cn/seojs/9315.html

seo入门教程-网站seo入门基础免费教程-网站seo优化赚钱技术分享-浪旅seo 博客主人LANGLV
浪旅seo致力于分享各种网站seo优化干货,专注于seo入门基础教程,让小白少走弯路,教你怎么利用seo常用工具去诊断网站以及用seo赚钱的方法,同时每天更新各种黑帽seo优化技术,欢迎广大seo爱好者一起学习交流经验,一起学习SEO。
  • 文章总数
  • 7974967访问次数
  • 建站天数
  • seo入门教程-网站seo入门基础免费教程-网站seo优化赚钱技术分享-浪旅seo
    seo入门教程-网站seo入门基础免费教程-网站seo优化赚钱技术分享-浪旅seo
    seo入门教程-网站seo入门基础免费教程-网站seo优化赚钱技术分享-浪旅seo