谷子猫博客
在SEO优化网站结构时，控制网页抓取、索引是常用的技术。一般情况下无需额外添加robots文件，部分时候需要禁止一些垃圾爬虫，则可以额外编写规则。以百度为例，百度是屏蔽了其它蜘蛛抓取百度家的搜索展示目录(https://www.baidu.com/robots.txt)，常用工具包括：
机器人文件。
网页noindex标签。
nofollow属性链接。
网页301转向。
页面的标签等。
这些工具各有特定的应用场景，但都是用来控制网站内部结构的，容易混淆，经常需要配合使用。SEO必须准确理解这些工具的机制和原理，否则容易出错。
这个帖子讨论了robots文件。
robots文件是放置在域名(或子域名)根目录下的，文件名固定在robots.txt上，UTF8编码，纯ASCII文本文件，用于通知搜索引擎，网站的哪些部分可以被抓取，哪些是禁止的。robots.txt适用于域名(或子域名)。
在抓取网站页面之前，搜索引擎蜘蛛会先看看robots.txt的内容，哪些页面可以抓取，哪些页面被站长禁止抓取。当然，是否遵守robots文件的规则取决于自觉，有些坏蜘蛛不遵守，站长也没办法，比如收集内容，克隆网站。
所有搜索引擎支持的机器人文件记录包括:
Disallow-告诉蜘蛛不要抓取某些文件或目录。以下代码将阻止蜘蛛抓取所有站点文件：
User-agent:*
Disallow:/
Allow——告诉蜘蛛应该抓取一些文件。Allow和Disallow可以一起使用，告诉蜘蛛在某个目录下，大部分不抓，只抓一部分。以下代码将使蜘蛛不抓取ab目录下的其他文件，而只抓取cd下的文件:
User-agent:*
Disallow:/ab/
Allow:/ab/cd。
$通配符-匹配URL末尾的字符。以下代码允许蜘蛛访问以.htm为后缀的URL:
User-agent:*
Allow:。htm$。
*通配符——告诉蜘蛛匹配任何一个字符。以下代码将禁止蜘蛛抓取所有htm文件：
User-agent:*
Disallow:/*.htm
位置-告诉蜘蛛你的网站地图在哪里，格式如下：
Sitemap:
此外提醒大家注意，robots.txt文件可以不存在，返回404错误意味着蜘蛛可以抓取所有内容。但是在抓取robots.txt文件时，会出现超时等错误，可能会导致搜索引擎不包含网站，因为蜘蛛不知道robots.txt文件是否存在，或者里面有什么，这和确认文件不存在是不一样的。
此外，如果404页面包含一些URL，可能会导致搜索引擎错误地将404页面的内容视为robots文件的内容，从而导致不可预测的后果。因此，即使所有搜索引擎蜘蛛都想打开，也最好放一个robots文件，即使是空的。
掌握robots文件的使用和写索引擎优化的基本技能。当页面没有被收录或急剧下降时，机器人文件也应该首先检查。
发表评论