robots.txt 文件是告訴搜索引擎它可以和不能在您的網(wǎng)站上的主要方式之一。 所有主流搜索引擎都支持它提供的基本功能，但其中一些搜索引擎會響應一些額外的規(guī)則，這些規(guī)則也很有用。 本指南涵蓋了在您的網(wǎng)站上使用 robots.txt 所有方法，但是，雖然它看起來很簡單，但您在 robots.txt 所犯的任何錯誤都可能嚴重損害您的網(wǎng)站，因此請務必先閱讀并理解本文的內容。你潛入水中

什么是 robots.txt 文件？

robots.txt 文件有什么作用？

我應該把 robots.txt 文件放在哪里？

使用 robots.txt 利弊

Pro：管理抓取預算

Con：不從搜索結果中刪除頁面

Con：沒有傳播鏈接值

robots.txt 語法

User-agent 指令

搜索引擎蜘蛛最常見的用戶代理

Disallow 指令

如何使用通配符/正則表達式

非標準 robots.txt 抓取指令

Allow 指令

host 指令

crawl-delay 指令

XML Sitemaps 的 sitemap 指令

驗證您的 robots.txt

什么是 robots.txt 文件？

抓取指令

robots.txt 文件是許多爬網(wǎng)指令之一。 我們有所有這些指南，你會在這里找到它們：

Yoast 的爬行指令指南?

robots.txt 文件是一個文本文件，由搜索引擎蜘蛛讀取并遵循嚴格的語法。 這些蜘蛛也被稱為機器人 – 因此名稱 – 文件的語法是嚴格的，因為它必須是計算機可讀的。 這意味著這里沒有錯誤的余地 – 有的是 1 或 0。

robots.txt 文件也稱為“機器人排除協(xié)議”，是早期搜索引擎蜘蛛開發(fā)者達成共識的結果。 它不是任何標準組織設定的官方標準，但所有主要搜索引擎都遵守它。

robots.txt 文件有什么作用？

humans.txt

曾幾何時，一些開發(fā)人員坐下來決定，因為網(wǎng)絡應該是針對人類的，并且由于機器人在網(wǎng)站上獲取文件，構建它的人也應該有一個。 因此，他們創(chuàng)建了 human.txt 標準，作為讓人們了解誰在網(wǎng)站上工作的一種方式。

搜索引擎通過抓取頁面，從站點 A 到站點 B 到站點 C 的鏈接來索引 Web，依此類推。 在搜索引擎捕獲之前未遇到過的域上的任何頁面之前，它將打開該域的 robots.txt 文件，該文件告訴搜索引擎該站點上允許哪些 URL 進行索引。

搜索引擎通常會緩存 robots.txt 的內容，但通常會每天刷新幾次，因此更改會很快反映出來。

我應該把 robots.txt 文件放在哪里？

robots.txt 文件應始終位于您域的根目錄下。 因此，如果您的域名是 www.example.com，請訪問 https://www.example.com/robots.txt 。

您的 robots.txt 文件實際上名為 robots.txt 也非常重要。 該名稱區(qū)分大小寫，因此請正確使用或不起作用。

使用 robots.txt 利弊

Pro：管理抓取預算

通常可以理解的是，搜索蜘蛛到達一個網(wǎng)站，該網(wǎng)站具有預先確定的“允許數(shù)量”，用于表示它將抓取多少頁面（或者根據(jù)網(wǎng)站的權限/大小/聲譽，將花費多少資源/時間），和 SEO 稱之為爬行預算。 這意味著，如果您從搜索引擎蜘蛛中阻止網(wǎng)站的各個部分，則可以允許將抓取預算用于其他部分。

阻止搜索引擎抓取您網(wǎng)站中有問題的部分有時非常有用，尤其是在必須進行大量 SEO 清理的網(wǎng)站上。 一旦你整理好了東西，就可以讓他們回來。

關于阻止查詢參數(shù)的說明

爬網(wǎng)預算特別重要的一種情況是，您的站點使用大量查詢字符串參數(shù)進行篩選和排序。 假設您有 10 個不同的查詢參數(shù)，每個參數(shù)都有不同的值，可以任意組合使用。 這導致數(shù)百甚至數(shù)千個可能的 URL。 阻止所有查詢參數(shù)被抓取將有助于確保搜索引擎僅捕獲您網(wǎng)站的主要 URL，并且不會進入您以其他方式創(chuàng)建的巨大陷阱。

此行會阻止您網(wǎng)站上包含查詢字符串的所有網(wǎng)址：

不允許： /*？*

Con：不從搜索結果中刪除頁面

即使你可以使用 robots.txt 文件告訴蜘蛛它無法進入你的網(wǎng)站，你也無法使用它告訴搜索引擎哪些網(wǎng)址不會顯示在搜索結果中 – 換句話說，阻止它不會阻止它被編入索引。 如果搜索引擎找到足夠的鏈接到該 URL，它將包含它，它將不知道該頁面上的內容。 所以你的結果看起來像這樣：

如果要可靠地阻止頁面顯示在搜索結果中，則需要使用元機器人 noindex 標記。 這意味著，為了找到 noindex 標記，搜索引擎必須能夠訪問該頁面，因此不要使用 robots.txt 阻止它。

Noindex 指令

對于在 robots.txt 文件中添加“noindex”指令是否可以控制索引行為，以及避免這些“碎片”出現(xiàn)在搜索引擎中，它仍然是搜索引擎優(yōu)化的研究和爭論的持續(xù)領域。 測試結果各不相同，搜索引擎不清楚支持的內容和不支持的內容。

Con：沒有傳播鏈接值

如果搜索引擎無法抓取網(wǎng)頁，則無法在該網(wǎng)頁上的鏈接上傳播鏈接值。 當一個頁面被 robots.txt 阻止時，它就是一個死胡同。 可能已經流入（并通過）該頁面的任何鏈接值都將丟失。

robots.txt 語法

WordPress robots.txt

我們有一篇關于如何最好地為 WordPress 設置 robots.txt 文章。 不要忘記您可以在 Yoast SEO 工具→文件編輯器部分編輯您網(wǎng)站的 robots.txt 文件。

robots.txt 文件由一個或多個指令塊組成，每個指令塊都以用戶代理行開頭。 “user-agent”是它所針對的特定蜘蛛的名稱。 您可以為所有搜索引擎使用一個塊，為用戶代理使用通配符，或為特定搜索引擎使用特定塊。 搜索引擎蜘蛛將始終選擇與其名稱最匹配的塊。

這些塊看起來像這樣（不要害怕，我們將在下面解釋）：

用戶代理： *

不允許： /

用戶代理：Googlebot

不允許：

用戶代理：bingbot

禁止：/ not-for-bing /

Allow 和 Disallow 等指令不應區(qū)分大小寫，因此無論您是將它們寫成小寫還是大寫它們都取決于您。 值不區(qū)分大小寫，但/photo/與/Photo/ 。 我們喜歡將指令大寫，因為它使文件更容易（供人類使用）閱讀。

User-agent 指令

每個指令塊的第一位是用戶代理，它標識一個特定的蜘蛛。 用戶代理字段與特定蜘蛛（通常更長）的用戶代理進行匹配，因此例如來自 Google 的最常見蜘蛛具有以下用戶代理：

Mozilla / 5.0（兼容; Googlebot / 2.1; + http://www.google.com/bot.html）

因此，如果你想告訴這個蜘蛛該做什么，一個相對簡單的 User-agent: Googlebot 線就可以了。

大多數(shù)搜索引擎都有多個蜘蛛。 他們將使用特定的蜘蛛作為正常索引，廣告程序，圖片，視頻等。

搜索引擎將始終選擇他們可以找到的最具體的指令塊。 假設你有 3 組指令：一組用于* ，一組用于 Googlebot ，一組用于 Googlebot-News 。 如果機器人來自其用戶代理是 Googlebot-Video ，它將遵循 Googlebot restrictions 。 使用用戶代理 Googlebot-News 的機器人將使用更具體的 Googlebot-News 指令。

搜索引擎蜘蛛最常見的用戶代理

以下是您可以在 robots.txt 文件中使用的用戶代理列表，以匹配最常用的搜索引擎：

搜索引擎 領域 用戶代理

百度 一般 baiduspider

百度 圖片 baiduspider-image

百度 移動 baiduspider-mobile

百度 新聞 baiduspider-news

百度 視頻 baiduspider-video

兵 一般 bingbot

兵 一般 msnbot

兵 圖像和視頻 msnbot-media

兵 廣告 adidxbot

谷歌 一般 Googlebot

谷歌 圖片 Googlebot-Image

谷歌 移動 Googlebot-Mobile

谷歌 新聞 Googlebot-News

谷歌 視頻 Googlebot-Video

谷歌 AdSense 的 Mediapartners-Google

谷歌 AdWords 的 AdsBot-Google

雅虎 一般 slurp

Yandex 的 一般 yandex

Disallow 指令

任何指令塊中的第二行是 Disallow 行。 您可以擁有一行或多行，指定指定蜘蛛無法訪問的站點部分。 空的 Disallow 行意味著您不會禁止任何內容，因此基本上這意味著蜘蛛可以訪問您網(wǎng)站的所有部分。

以下示例將阻止所有“收聽” robots.txt 搜索引擎抓取您的網(wǎng)站。

用戶代理： *

不允許： /

下面的示例只允許一個字符， 允許所有搜索引擎抓取整個網(wǎng)站。

用戶代理： *

不允許：

下面的示例將阻止 Google 抓取您網(wǎng)站上的 Photo 目錄 – 以及其中的所有內容。

用戶代理：googlebot

禁止：/照片

這意味著/Photo 目錄的所有子目錄也不會被蜘蛛俠。 它不會阻止 Google 抓取/photo 目錄，因為這些行區(qū)分大小寫。

這也會阻止 Google 訪問包含/Photo 網(wǎng)址，例如/Photography/ 。

如何使用通配符/正則表達式

“官方”， robots.txt 標準不支持正則表達式或通配符，但是，所有主要搜索引擎都理解它。 這意味著你可以使用這樣的行來阻止文件組：

禁止：/ *。php

禁止：/copyrighted-images/*.jpg

在上面的示例中， *擴展為它匹配的任何文件名。 請注意，該行的其余部分仍區(qū)分大小寫，因此上面的第二行不會阻止名為/copyrighted-images/example.JPG 的文件被爬網(wǎng)。

一些搜索引擎，如谷歌，允許更復雜的正則表達式，但要注意一些搜索引擎可能不理解這種邏輯。 它添加的最有用的功能是$ ，表示 URL 的結尾。 在以下示例中，您可以看到它的作用：

不允許：/*.php $

這意味著/index.php 無法編入索引，但/index.php?p=1 可能是。 當然，這僅在非常特殊的情況下才有用，而且非常危險：很容易解鎖您實際上不想解鎖的內容。

非標準 robots.txt 抓取指令

除 Disallow 和 User-agent 指令外，還有一些其他爬行指令可供使用。 所有搜索引擎抓取工具都不支持這些指令，因此請確保您了解其限制。

Allow 指令

雖然沒有在原始的“規(guī)范”中，但很早就有一個關于 allow 指令的討論。 大多數(shù)搜索引擎似乎都理解它，它允許這樣簡單，非常易讀的指令：

禁止：/ wp-admin /

允許：/wp-admin/admin-ajax.php

在沒有 allow 指令的情況下實現(xiàn)相同結果的唯一方法就是專門 disallow wp-admin 文件夾中的每個文件。

host 指令

在 Yandex（而不是 Google，盡管有些帖子說）的支持下，該指令可讓您決定是否希望搜索引擎顯示 example.com 或 www.example.com 。 簡單地指定它就可以了：

主持人：example.com

但是因為只有 Yandex 支持 host 指令，所以我們不建議你依賴它，特別是因為它不允許你定義一個方案（http 或 https）。 適用于所有搜索引擎的更好的解決方案是 301 將您不想要的索引中的主機名重定向到您想要的版本。 在我們的案例中，我們將 www.yoast.com 重定向到 yoast.com。

crawl-delay 指令

Yahoo！，Bing 和 Yandex 有時候可能非常容易抓狂，但幸運的是它們都響應了 crawl-delay 指令，這會降低它們的速度。 雖然這些搜索引擎閱讀指令的方式略有不同，但最終結果基本相同。

像下面這樣的一行將指示雅虎！ 并且 Bing 在爬行動作后等待 10 秒，而 Yandex 只會在每 10 秒鐘訪問一次您的站點。 這是一個語義差異，但仍然有趣。 這是 crawl-delay 的示例：

爬行延遲：10

使用 crawl-delay 指令時要小心。 通過設置 10 秒的爬網(wǎng)延遲，您只允許這些搜索引擎每天訪問 8,640 頁。 這對于一個小型網(wǎng)站來說似乎很多，但在大型網(wǎng)站上它并不是很多。 另一方面，如果您接下來沒有來自這些搜索引擎的流量，這是節(jié)省一些帶寬的好方法。

XML Sitemaps 的 sitemap 指令

使用 sitemap 指令，您可以告訴搜索引擎 – 特別是 Bing，Yandex 和 Google – 在哪里可以找到您的 XML 站點地圖。 當然，您也可以使用各自的網(wǎng)站管理員工具解決方案將 XML 站點地圖提交給每個搜索引擎，我們強烈建議您這樣做，因為搜索引擎網(wǎng)站管理員工具程序會為您提供有關您網(wǎng)站的大量有價值信息。 如果您不想這樣做，將 sitemap 行添加到您的 robots.txt 是一個很好的快速替代方案。

驗證您的 robots.txt

有各種各樣的工具可以幫助您驗證 robots.txt ，但在驗證爬網(wǎng)指令時，我們總是更喜歡轉到源代碼。 Google 在其 Google 搜索控制臺中有一個 robots.txt 測試工具（在“舊版本”菜單下），我們強烈推薦使用它：

robots.txt 測試員

在您將其更改之前，請務必徹底測試您的更改！ 你不會是第一個不小心使用 robots.txt 阻止整個網(wǎng)站，并進入搜索引擎遺忘！

當前文章：后羿SEOrobots.txt的終極指南
本文地址：http://www.rwnh.cn/news19/249269.html

成都網(wǎng)站建設公司_創(chuàng)新互聯(lián)，為您提供電子商務、移動網(wǎng)站建設、網(wǎng)站收錄、小程序開發(fā)、做網(wǎng)站、品牌網(wǎng)站建設

廣告

聲明：本網(wǎng)站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)