大多数网站都有一个robots协议,也称为爬虫协议或机器人协议。它以文本文件格式存在,一般称为robots.txt网站告诉搜索引擎蜘蛛程序哪些页面可以抓取,哪些页面拒绝抓取。当搜索引擎蜘蛛来访问网站时,第一件事是先读取机器人文件,然后按照协议访问和抓取网站。如果网站上没有机器人协议,将被视为抓取网站上的所有内容。包括敏感的私人文件。所有建议都是网站应该有机器人协议。
1.什么是robots协议文件?
robots协议用于确保网站的隐私信息不被泄露。robots协议定义的规则规定搜索引擎抓取网站内容。用白话解释就是告诉蜘蛛,某些页面是不对蜘蛛开放的。一般存储在网站的根目录下,但说白了,各大搜索引擎会抓取吗?个人认为都是抓取的,可能只有把页面添加到索引数据库中才会处理。那些页面不加索引数据库,因为搜索引擎毕竟是数据公司,不会放过每一个数据。当然,这只是猜测。我们做网站优化,做机器人文件应该做的事情。
如果将网站的背景添加到Robot协议中,可以用*替换部分字符,以确保安全。
机器人协议可以更好地帮助搜索引擎蜘蛛抓取我们的网站,提高抓取效率。
网站上线后当天如果还没修改完毕可以利用 Disallow:/来屏蔽全站
二、robots协议的写法格式
1、允许所有的机器人:
User-agent:*
Disallow:
另一写法
User-agent:*
Allow:/
2、仅允许特定的机器人:
User-agent: baiduspider
Allow:
3、拦截所有的机器人:
User-agent:*
Disallow:/
4、禁止所有机器人访问特定目录:
User-agent:*
Disallow:/cgi-bin/
Disallow:/images/
Disallow:/tmp/
Disallow:/private/
5、仅禁止坏爬虫访问特定目录(BadBot用真实的名字代替):
User-agent: BadBot
Disallow:/private/
6、禁止所有机器人访问特定文件类型[2]:
User-agent:*
Disallow:/*.php$
Disallow:/*.js$
Disallow:/*.inc$
Disallow:/*.css$
三、robots协议的一些使用误区
1,假设网站上的所有文件都同意蜘蛛抓取,没有什么隐私文件可隐藏不见的。那是不是网站就可以不必要增加robots协议文件了呢?答案当然是否定的。如果不存在robots协议文件,那搜索引擎蜘蛛将会对网站所有页面都进行抓取,包括404页面,404页面抓取收录会对网站造成过多重复页面的负面。而且蜘蛛访问robots.txt的时候也是会给蜘蛛返回404错误。
2,robots协议文件中设置所有文件都可以被蜘蛛抓取,并不能增加网站的收录。网站程序中的一些脚本文件,CSS文件,IMG文件等等跟网站内容不相关的文件也会被蜘蛛抓取,并不会对网站收录有好的作用。甚至可能被认为内容与主题不符而被受到惩罚。那岂不是得不偿失。
3,过多蜘蛛对所有文件进行抓取,也完全是在浪费服务器的资源,造成服务器卡顿,反而会影响用户正常访问,同时对蜘蛛访问也有影响,如果蜘蛛抓取过慢会认为网站打开过慢,不仅仅导致整个站点的页面收录受到影响,而且会被受到网站服务器过慢惩罚。
四、什么样的文件可以设置不被蜘蛛抓取
网站中不需要搜索引擎蜘蛛抓取的文件有: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、导航和背景等等。
可以在robots.txt文件中作出如下设置:
User-agent:*
Disallow:/admin/后台管理文件
Disallow:/require/程序文件
Disallow:/attachment/附件
Disallow:/images/
Disallow:/data/数据库文件
Disallow:/template/模板文件
Disallow:/css/样式表文件
Disallow:/lang/编码文件
Disallow:/script/脚本文件
如果你的网站是动态网页,并且这些动态网页创建了静态副本,方便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。
robots.txt文件里还可以直接包括在sitemap文件的链接。就像这样:
Sitemap: https://www.biaofun.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平台,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。
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。
五、robots协议文件的黑帽seo作用
禁止快照编辑,要防止所有搜索引擎显示您网站的快照,请将此元标记置入网页
部分:
要允许其他搜索引擎显示快照,但仅防止百度搜索引擎显示,请使用以下标记:
六、常见Robots名称
google蜘蛛:googlebot
百度蜘蛛:baiduspider
搜狗蜘蛛:sogouspider
360蜘蛛:360Spider
yahoo蜘蛛:slurp
alexa蜘蛛:ia_archiver
msn蜘蛛:msnbot
altavista蜘蛛:scooter
lycos蜘蛛:lycos_spider_(t-rex)
alltheweb蜘蛛:fast-webcrawler/
inktomi蜘蛛:slurp
4000520066 欢迎批评指正
All Rights Reserved 新浪公司 版权所有