robots.txt語法及其在Discuz!中的應用

網棍

robots.txt語法及其在Discuz!中的應用


每一個搜索引擎/搜尋引擎，都配備自己的搜索機器人，我們一般稱其為網絡蜘蛛（Web Spider）。網絡蜘蛛在網絡上沿著網頁上的鏈接（一般是http和src鏈接）不斷抓取資料建立自己的數據庫，從而提供搜索結果讓全世界網民使用。網絡蜘蛛是Google、百度一類的搜索引擎賴以為生的核心程序。

網絡蜘蛛分為好的和壞的。好的網絡蜘蛛通過適當途徑抓取你網站的內容並顯示與搜索引擎，從而提升你的網站人氣。而壞的網絡蜘蛛，由於編寫程序不當或編寫者的惡意目的，從而抓取你不想分享的內容，例如用戶資料，並可能會減慢你網頁的加載速度，反而降低了網站的人氣。為了實現吸引好的網絡蜘蛛而阻擋壞的網絡蜘蛛的目的，一些機器人指令被開發出來供網絡蜘蛛遵守。當然，前提是網絡蜘蛛在編寫的時候已經被設定為遵從機器人的指令，否則後者形同虛設。

老式的機器人指令通過robots.txt來實現，而較新的，則可以使用The Robots META標簽。


一、robots.txt

1、什麽是robots.txt？

robots.txt是一個純文本文件，通過在這個文件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索引擎收錄了，或者指定搜索引擎只收錄指定的內容。當一個搜索機器人訪問一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，如果找到，搜索機器人就會按照該文件中的內容來確定訪問的範圍，如果該文件不存在，那麽搜索機器人就沿著鏈接抓取。

robots.txt必須放置在一個站點的根目錄下，而且文件名必須全部小寫。

網站URL
相應的 robots.txt的 URL

http://www.jinpingmei.org.cn
http://www.jinpingmei.org.cn/robots.txt

http://www.w3.org/
http://www.w3.org/robots.txt

http://www.w3.org:80/
http://www.w3.org:80/robots.txt

http://www.w3.org:1234/
http://www.w3.org:1234/robots.txt

http://w3.org/
http://w3.org/robots.txt

2、 robots.txt的語法

"robots.txt"文件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：
　　　　": "。

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

User-agent:

該項的值用於描述搜索引擎robot的名字，在"robots.txt"文件中，如果有多條User-agent記錄說明有多個robot會受到該協議的限制，對該文件來說，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"文件中， "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都不允許搜索引擎訪問，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，說明該網站的所有部分都允許被訪問，在"/robots.txt"文件中，至少要有一條Disallow記錄。如果 "/robots.txt"是一個空文件，則對於所有的搜索引擎robot，該網站都是開放的。

下面是一些robots.txt基本的用法：

l         禁止所有搜索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文件 "/robots.txt" file

l         禁止所有搜索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         禁止某個搜索引擎的訪問（下例中的BadBot）
User-agent: BadBot
Disallow: /

l         只允許某個搜索引擎的訪問（下例中的WebCrawler）
User-agent: WebCrawler
Disallow:
User-agent: *
Disallow: /

3、  常見搜索引擎機器人Robots名字

名稱                       搜索引擎
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

下面是一些著名站點的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

以南天網作為例子。Discuz! X1.5中的robots.txt內容如下：

1. # What is robot.txt?
   
2. # robots.txt is for South Sky Net to attract spiders we love and bans those we do not like
   
3. #
   
4. #
   
5. 
   
6. User-agent: *
   
7. Disallow: /api/
   
8. Disallow: /data/
   
9. Disallow: /source/
   
10. Disallow: /install/
    
11. Disallow: /template/
    
12. Disallow: /config/
    
13. Disallow: /uc_client/
    
14. Disallow: /uc_server/
    
15. Disallow: /static/
    
16. Disallow: /admin.php
    
17. Disallow: /search.php
    
18. Disallow: /member.php
    
19. Disallow: /api.php
    
20. Disallow: /misc.php
    
21. Disallow: /forum.php?mod=redirect*
    
22. Disallow: /forum.php?mod=post*
    
23. Disallow: /home.php?mod=spacecp*
    
24. Disallow: /userapp.php?mod=app&*
    
25. Disallow: /*?mod=misc*
    
26. Disallow: /*?mod=attachment*
    
27. Disallow: /member-*
    
28. Disallow: /forum-redirect-*
    
29. Disallow: /forum-post-*
    
30. Disallow: /home-spacecp-*
    
31. Disallow: /userapp-app-*
    
32. Disallow: /*-misc-*
    
33. Disallow: /*-attachment-*
    
34. 
    
35. # Nice to meet you! Dear professional guest
    
36. # My name is xxx and I am the owner of this website
    
37. # For anyone who found these texts means that you are good at SEO, at least you know about robots.txt
    
38. # If you would like to contact me, please phone 00851-xxxxxxxx
    
39. 
    

複製代碼

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/
盡管在標準沒有談到這個，但是這種方式很容易出問題。

l         404重定向到另外一個頁面：
當Robot訪問很多沒有設置robots.txt文件的站點時，會被自動404重定向到另外一個Html頁面。這時Robot常常會以處理robots.txt文件的方式處理這個Html頁面文件。雖然一般這樣沒有什麽問題，但是最好能放一個空白的robots.txt文件在站點根目錄下。

l         采用大寫。例如
USER-AGENT: EXCITE
DISALLOW:
雖然標準是沒有大小寫的，但是目錄和文件名應該小寫：
user-agent:GoogleBot
disallow:

l         語法中只有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標簽

1、什麽是Robots META標簽

Robots.txt文件主要是限制整個站點或者目錄的搜索引擎訪問情況，而Robots META標簽則主要是針對一個個具體的頁面。和其他的META標簽（如使用的語言、頁面的描述、關鍵詞等）一樣，Robots META標簽也是放在頁面的中，專門用來告訴搜索引擎ROBOTS如何抓取該頁的內容。

2、Robots META標簽的寫法：

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

INDEX 指令告訴搜索機器人抓取該頁面；

FOLLOW 指令表示搜索機器人可以沿著該頁面上的鏈接繼續抓取下去；

Robots Meta標簽的缺省值是INDEX和FOLLOW，只有inktomi除外，對於它，缺省值是INDEX,NOFOLLOW。

需要註意的是：上述的robots.txt和Robots META標簽限制搜索引擎機器人（ROBOTS）抓取站點內容的辦法只是一種規則，需要搜索引擎機器人的配合才行，並不是每個ROBOTS都遵守的。

目前看來，絕大多數的搜索引擎機器人都遵守robots.txt的規則，而對於Robots META標簽，目前支持的並不多，但是正在逐漸增加，如著名搜索引擎GOOGLE就完全支持，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：

表示抓取該站點中頁面並沿著頁面中鏈接抓取，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Discuz的程序的寫法，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


作者：網棍@南天網 - SEO與網站營銷交流
南天SEO - 全面知識，免費分享
文章名稱：robots.txt語法及其在Discuz!中的應用，版權所有