如何優化機器人

在國内，網站管理者似乎對robots.txt并沒有引起多大重視，應一些朋友之請求，今天想通過這篇文章來簡單談一下robots.txt的寫作。

robots.txt基本介紹

robots.txt是一個純文字檔案，在這個檔案中網站管理者可以聲明該網站中不想被robots通路的部分，或者指定搜尋引擎隻收錄指定的内容。

當一個搜尋機器人（有的叫搜尋蜘蛛）通路一個站點時，它會首先檢查該站點根目錄下是否存在robots.txt，如果存在，搜尋機器人就會按照該檔案中的内容來确定通路的範圍；如果該檔案不存在，那麼搜尋機器人就沿着連結抓取。

另外，robots.txt必須放置在一個站點的根目錄下，而且檔案名必須全部小寫。

robots.txt寫作文法

首先，我們來看一個robots.txt範例：[url]http://www.csswebs.org/robots.txt[/url]

通路以上具體位址，我們可以看到robots.txt的具體内容如下：

# Robots.txt file from [url]http://www.csswebs.org[/url]

# All robots will spider the domain

User-agent: *

Disallow:

以上文本表達的意思是允許所有的搜尋機器人通路[url]www.csswebs.org[/url]站點下的所有檔案。

具體文法分析：其中#後面文字為說明資訊；User-agent:後面為搜尋機器人的名稱，後面如果是*，則泛指所有的搜尋機器人；Disallow:後面為不允許通路的檔案目錄。

下面，我将列舉一些robots.txt的具體用法：

允許所有的robot通路

或者也可以建一個空檔案 “/robots.txt” file

禁止所有搜尋引擎通路網站的任何部分

Disallow: /

禁止所有搜尋引擎通路網站的幾個部分（下例中的01、02、03目錄）

Disallow: /01/

Disallow: /02/

Disallow: /03/

禁止某個搜尋引擎的通路（下例中的BadBot）

User-agent: BadBot

隻允許某個搜尋引擎的通路（下例中的Crawler）

User-agent: Crawler

另外，我覺得有必要進行拓展說明，對robots meta進行一些介紹：

Robots META标簽則主要是針對一個個具體的頁面。和其他的META标簽（如使用的語言、頁面的描述、關鍵詞等）一樣，Robots META标簽也是放在頁面的＜head＞＜/head＞中，專門用來告訴搜尋引擎ROBOTS如何抓取該頁的内容。

Robots META标簽的寫法：

Robots META标簽中沒有大小寫之分，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着該頁面上的連結繼續抓取下去；

Robots Meta标簽的預設值是INDEX和FOLLOW，隻有inktomi除外，對于它，預設值是INDEX,NOFOLLOW。

這樣，一共有四種組合：

＜META NAME=”ROBOTS” CONTENT=”INDEX,FOLLOW”＞

＜META NAME=”ROBOTS” CONTENT=”NOINDEX,FOLLOW”＞

＜META NAME=”ROBOTS” CONTENT=”INDEX,NOFOLLOW”＞

＜META NAME=”ROBOTS” CONTENT=”NOINDEX,NOFOLLOW”＞

其中

＜META NAME=”ROBOTS” CONTENT=”INDEX,FOLLOW”＞可以寫成＜META NAME=”ROBOTS” CONTENT=”ALL”＞；

＜META NAME=”ROBOTS” CONTENT=”NOINDEX,NOFOLLOW”＞可以寫成＜META NAME=”ROBOTS” CONTENT=”NONE”＞

目前看來，絕大多數的搜尋引擎機器人都遵守robots.txt的規則，而對于Robots META标簽，目前支援的并不多，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：

＜META NAME=”googlebot” CONTENT=”index,follow,noarchive”＞

表示抓取該站點中頁面并沿着頁面中連結抓取，但是不在GOOLGE上保留該頁面的網頁快照。