SEO robots.txt 設定教程

談談ROBOTS.TXT文法和作用

我們知道，搜尋引擎都有自己的“搜尋機器人”（ROBOTS），並通過這些ROBOTS在網路上沿著網頁上的連結（一般是http和src連結）不斷抓取資料建立自己的資料庫。

對於網站管理者和內容提供者來說，有時候會有一些網站內容，不希望被ROBOTS抓取而公開。為瞭解決這個問題，ROBOTS開發界提供了兩個辦法：一個是robots.txt，另一個是The Robots META標籤。 

一、    robots.txt

1、 什麼是robots.txt？
robots.txt是一個純文字檔案，通過在這個檔案中聲明該網站中不想被robots訪問的部分，這樣，該網站的部分或全部內容就可以不被搜尋引擎收錄了，或者指定搜尋引擎只收錄指定的內容。當一個搜尋機器人訪問一個網站時，它會首先檢查該網站根目錄下是否存在robots.txt，如果找到，搜尋機器人就會按照該檔案中的內容來確定訪問的範圍，如果該檔案不存在，那麼搜尋機器人就沿著連結抓取。

robots.txt必須放置在一個網站的根目錄下，而且檔案名稱必須全部小寫。
網站 URL
相應的 robots.txt的 URL
http://www.ali173.com/
http://www.ali173.com/robots.txt

http://www.ali173.com:80/
http://www.ali173.com:80/robots.txt

http://www.ali173.com:1234/
http://www.ali173.com:1234/robots.txt

http://ali173.com/
http://ali173.com/robots.txt

2、 robots.txt的文法

"robots.txt"檔案包含一條或更多的記錄，這些記錄通過空行分開（以CR,CR/NL, or NL作為結束符），每一條記錄的格式如下所示：

": "。

在該檔案中可以使用#進行註解，具體使用方法和UNIX中的慣例一樣。該檔案中的記錄通常以一行或多行User-agent開始，後面加上若干Disallow行,詳細情況如下：

User-agent:

該項的值用於描述搜尋引擎robot的名字，在"robots.txt"檔案中，如果有多條User-agent記錄說明有多個robot會受到該協議的限制，對該檔案來說，至少要有一條User-agent記錄。如果該項的值設為*，則該協議對任何機器人均有效，在"robots.txt"檔案中， "User-agent：*"這樣的記錄只能有一條。

Disallow :

該項的值用於描述不希望被訪問到的一個URL，這個URL可以是一條完整的路徑，也可以是部分的，任何以Disallow 開頭的URL均不會被robot訪問到。例如"Disallow: /help"對/help.html 和/help/index.html都不允許搜尋引擎訪問，而"Disallow: /help/"則允許robot訪問/help.html，而不能訪問/help/index.html。

任何一條Disallow記錄為空白，說明該網站的所有部分都允許被訪問，在"/robots.txt"檔案中，至少要有一條Disallow記錄。如果 "/robots.txt"是一個空檔案，則對於所有的搜尋引擎robot，該網站都是開放的。

下面是一些robots.txt基本的用法：

l         禁止所有搜尋引擎訪問網站的任何部分：
User-agent: *
Disallow: /

l         允許所有的robot訪問
User-agent: *
Disallow:
或者也可以建一個空檔案 "/robots.txt" file

l         禁止所有搜尋引擎訪問網站的幾個部分（下例中的cgi-bin、tmp、private目錄）
User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/
Disallow: /private/

l         禁止某個搜尋引擎的訪問（下例中的BadBot）
User-agent: BadBot
Disallow: /

l         只允許某個搜尋引擎的訪問（下例中的WebCrawler）

User-agent: WebCrawler
Disallow:

User-agent: *
Disallow: /

3、  常見搜尋引擎機器人Robots名字

名稱                     搜尋引擎

Baiduspider            http://www.baidu.com
Scooter              http://www.altavista.com
ia_archiver             http://www.alexa.com
Googlebot           http://www.google.com
FAST-WebCrawler http://www.alltheweb.com
Slurp                  http://www.inktomi.com
MSNBOT            http://search.msn.com

4、 robots.txt舉例

下面是一些著名網站的robots.txt：
http://www.cnn.com/robots.txt
http://www.google.com/robots.txt
http://www.ibm.com/robots.txt
http://www.sun.com/robots.txt
http://www.eachnet.com/robots.txt

5、 常見robots.txt錯誤

l         顛倒了順序：
錯誤寫成
User-agent: *
Disallow: GoogleBot

正確的應該是：
User-agent: GoogleBot
Disallow: *

l         把多個禁止命令放在一行中：
例如，錯誤地寫成
Disallow: /css/ /cgi-bin/ /images/

正確的應該是
Disallow: /css/
Disallow: /cgi-bin/
Disallow: /images/

l         行前有大量空格
例如寫成
        Disallow: /cgi-bin/
儘管在標準沒有談到這個，但是這種方式很容易出問題。

l         404重新導向到另外一個頁面：
當Robot訪問很多沒有設定robots.txt檔案的網站時，會被自動404重新導向到另外一個Html頁面。這時Robot常常會以處理robots.txt檔案的方式處理這個Html分頁檔。雖然一般這樣沒有什麼問題，但是最好能放一個空白的robots.txt檔案在網站根目錄下。

l         採用大寫。例如
USER-AGENT: EXCITE
DISALLOW:
雖然標準是沒有大小寫，但是目錄和檔案名稱應該小寫：
user-agent:GoogleBot
disallow:

l         文法中只有Disallow，沒有Allow！
錯誤的寫法是：
User-agent: Baiduspider      
Disallow: /john/
allow: /jane/

l         忘記了斜杠/
錯誤的寫做：
User-agent: Baiduspider      
Disallow: css

正確的應該是
User-agent: Baiduspider      
Disallow: /css/ 

二、          Robots META標籤

1、什麼是Robots META標籤

Robots.txt檔案主要是限制整個網站或者目錄的搜尋引擎訪問情況，而Robots META標籤則主要是針對一個個具體的頁面。和其他的META標籤（如使用的語言、頁面的描述、關鍵詞等）一樣，Robots META標籤也是放在頁面的中，專門用來告訴搜尋引擎ROBOTS如何抓取該頁的內容。
2、Robots META標籤的寫法：

Robots META標籤中沒有大小寫之分，name=”Robots”表示所有的搜尋引擎，可以針對某個具體搜尋引擎寫為name=”BaiduSpider”。content部分有四個指令選項：index、noindex、follow、nofollow，指令間以“,”分隔。

INDEX 指令告訴搜尋機器人抓取該頁面；

FOLLOW 指令表示搜尋機器人可以沿著該頁面上的連結繼續抓取下去；

Robots Meta標籤的預設值是INDEX和FOLLOW，只有inktomi除外，對於它，預設值是INDEX,NOFOLLOW。

需要注意的是：上述的robots.txt和Robots META標籤限制搜尋引擎機器人（ROBOTS）抓取網站內容的辦法只是一種規則，需要搜尋引擎機器人的配合才行，並不是每個ROBOTS都遵守的。

目前看來，絕大多數的搜尋引擎機器人都遵守robots.txt的規則，而對於Robots META標籤，目前支援的並不多，但是正在逐漸增加，如著名搜尋引擎GOOGLE就完全支援，而且GOOGLE還增加了一個指令“archive”，可以限制GOOGLE是否保留網頁快照。例如：

表示抓取該網站中頁面並沿著頁面中連結抓取，但是不在GOOLGE上保留該頁面的網頁快照

例子:
# robots, scram

User-agent: *
Disallow:   /cgi-bin
Disallow:   /TRANSCRIPTS
Disallow:   /development
Disallow:   /third
Disallow:   /beta
Disallow:   /java
Disallow:   /shockwave
Disallow:   /JOBS
Disallow:   /pr
Disallow:   /Interactive
Disallow:   /alt_index.html
Disallow:   /webmaster_logs
Disallow:   /newscenter
Disallow:       /virtual
Disallow:       /DIGEST
Disallow:       /QUICKNEWS
Disallow:       /SEARCH

User-agent: Mozilla/3.01 (hotwired-test/0.1)
Disallow:   /cgi-bin
Disallow:   /TRANSCRIPTS
Disallow:   /development
Disallow:   /third
Disallow:   /beta
Disallow:   /java
Disallow:   /shockwave
Disallow:   /JOBS
Disallow:   /pr
Disallow:   /Interactive
Disallow:   /alt_index.html
Disallow:   /webmaster_logs
Disallow:   /newscenter
Disallow:       /virtual
Disallow:       /DIGEST
Disallow:       /QUICKNEWS
Disallow:       /SEARCH

User-agent: Slurp
Disallow:   /cgi-bin
Disallow:   /TRANSCRIPTS
Disallow:   /development
Disallow:   /third
Disallow:   /beta
Disallow:   /java
Disallow:   /shockwave
Disallow:   /JOBS
Disallow:   /pr
Disallow:   /Interactive
Disallow:   /alt_index.html
Disallow:   /webmaster_logs
Disallow:   /newscenter
Disallow:       /virtual
Disallow:       /DIGEST
Disallow:       /QUICKNEWS
Disallow:       /SEARCH

如我們DZ的程式 的寫法，大家結合上面的寫法說明 應該能看懂

#
# robots.txt for Discuz! Board
# Version 5.5.0
#

User-agent: *

Disallow: /admin/
Disallow: /api/
Disallow: /attachments/
Disallow: /customavatars/
Disallow: /images/
Disallow: /forumdata/
Disallow: /include/
Disallow: /ipdata/
Disallow: /templates/
Disallow: /plugins/
Disallow: /mspace/
Disallow: /wap/
Disallow: admincp.php
Disallow: ajax.php
Disallow: digest.php
Disallow: logging.php
Disallow: member.php
Disallow: memcp.php
Disallow: misc.php
Disallow: my.php
Disallow: pm.php
Disallow: post.php
Disallow: register.php
Disallow: rss.php
Disallow: search.php
Disallow: seccode.php
Disallow: topicadmin.php