[SEO]Robots.txt文件怎樣寫+實例分析Robots.txt設置（附各大搜索引擎蜘蛛特征）

robots.txt是任何搜索引擎優化的重要組成部分，也是SEOer的重要一課。

但是，有時候robots.txt文件會被網站優化師SEOer忽視。

無論你是否剛剛起步，或者你是一個優化老手，都需要知道robots.txt文件應該怎樣寫。

那么，我們先來了解：

robots.txt文件可以用于各種各樣的事情。

例如從讓搜索引擎知道去哪里找到你的網站站點地圖、告訴他們哪些頁面不需要抓取，以管理網站爬行預算。

搜索引擎會定期檢查網站的robots.txt文件，看看是否有任何抓取網站的說明。我們稱這些特別的說明為“指令”。

如果沒有robots.txt文件或者沒有適用的指令，搜索引擎將抓取整個網站。

Okay，那什么是爬行預算(Crawl Budget)？

簡單解釋下：

谷歌和其他搜索引擎一樣，他們只有有限的資源可用于抓取和索引你網站的內容。

如果你的網站只有幾百個網址，那么Google應該可以輕松抓取到所有網頁并將其編入索引。

但是，如果網站很大，例如電子商務網站，有數千個包含大量自動生成的網頁（如搜索頁），那么Google可能無法抓取所有這些網頁，你將失去許多潛在的流量和可見性。

所以我們要通過設置robots.txt文件用于管理網站爬行預算。

谷歌表示：

“ 擁有許多低價值的網址會對網站的抓取和索引產生負面影響。“

那些低價值的網址就比如像搜索頁一類的頁面。生成太多這些頁面，谷歌蜘蛛如果去爬行的話，將消耗大量爬行預算，以至于一些重要的頁面可能就不能被收錄了。

使用robots.txt文件來幫助管理網站抓取預算，確保搜索引擎盡可能高效地（尤其是大型網站）抓取重要網頁而不是浪費時間去抓取登錄，注冊或支付頁面等頁面。

從搜索引擎優化SEO的角度來看，robots.txt文件起著至關重要的作用。它告訴搜索引擎他們如何最好地抓取你的網站。

使用robots.txt文件可以阻止搜索引擎訪問網站的某些部分，防止重復內容，并為搜索引擎提供有關如何更有效地抓取你網站的有用提示。

在對robots.txt進行更改時要小心：因為設置失誤可能會使搜索引擎無法訪問網站的大部分內容。

在Googlebot，Bingbot等機器人抓取網頁之前，它會首先檢查是否存在robots.txt文件，如果存在，則通常會遵循該文件中找到的路線。

你可以通過robots.txt文件控制以下事情：

2. 阻止訪問網站的某個部分（開發和登臺環境等）

4. 保持網站內部搜索結果頁面不被抓取，編入索引或顯示在搜索結果中

6. 指定站點地圖或站點地圖的位置

8. 通過阻止訪問低價值頁面來優化抓取預算（登錄，支付頁面，購物車等）

10. 防止將網站上的某些文件（圖像，PDF等）編入索引

讓我們看一個例子來說明這一點：

你有一個電子商務網站，訪問者可以使用篩選功能快速搜索你的產品，如通過銷量、價格排列。

此篩選生成的頁面基本上顯示與其他頁面相同的內容。

這對用戶很有用，但會混淆搜索引擎，因為它會創建重復的內容。

如果搜索引擎把這些網頁編入索引，將浪費你寶貴的抓取資源。

因此，應該設置規則，以便搜索引擎不訪問這些頁面。

如果你不熟悉robots.txt文件，或者不確定你的網站是否有該文件，可以快速查看。

方法：

將 /robots.txt 添加到首頁URL的末尾。

示例：www.yoursite.com/robots.txt

如果沒有顯示任何內容，那么說明你的站點沒有robots.txt文件。那就應該設置一個了。

創建robots.txt文件是一個相當簡單的過程：

新建文本文檔 ——>重命名為robots.txt（所有文件必須小寫）——> 編寫規則 ——>用FTP把文件上（放到根目錄下）傳到空間

下面的文章是谷歌官方介紹，將向你robots.txt文件的創建過程，可以幫助你輕松建立你自己的robots.txt文件：

https://support.google.com/webmasters/answer/6062596?hl=zh-Hans

注意：

robots.txt自身是一個文本文件。它必須位于域名的根目錄中并 被命名為"robots.txt"。位于子目錄中的 robots.txt 文件無效，因為爬蟲只在域名的根目錄中查找此文件。

例如，http://www.example.com/robots.txt 是有效位置，http://www.example.com/mysite/robots.txt 則不是。

如果你用WordPress建站，可以用virtual robots、yoast、all in one seo等插件創建和設置。

以下是可以在自己的網站上使用robots.txt文件的幾個示例。

允許所有爬蟲 /蜘蛛訪問所有網站內容：

User-agent：*
Disallow：

禁止所有爬蟲 /蜘蛛訪問所有網站內容：

User-agent：*
Disallow：/

這里可以了解到在創建站點robots.txt時出錯是多么容易，因為阻止整個站點被看到的區別在于：disallow指令（Disallow：/）中的簡單斜杠。

阻止谷歌爬蟲 /蜘蛛訪問：

User-agent：Googlebot
Disallow：/

阻止爬蟲 /蜘蛛訪問特定頁面：

User-agent：
Disallow：/thankyou.html

從服務器的一部分中排除所有爬蟲：

User-agent：*
Disallow：/ cgi-bin /
Disallow：/ tmp /
Disallow：/junk/

這是theverge.com網站上robots.txt文件的示例：

一、說明theverge不想谷歌爬蟲去抓取這些目錄下的內容

二、說明theverge不想任何爬蟲去抓取這些目錄下的內容

三、theverge把所有的站點地圖列在robots.txt里面

可以在此處查看示例文件：www.theverge.com/robots.txt

可以看到The Verge如何使用他們的robots.txt文件，專門支出Google的新聞蜘蛛“Googlebot-News”（第一點），以確保它不會抓取網站上的這些目錄。

重要的是要記住，如果想確保爬蟲不會抓取你網站上的某些頁面或目錄，那么可以在robots.txt文件的“Disallow”聲明中調出這些頁面和/或目錄，如上面例示的做法。

另外，還可以在robots.txt規范指南中查看Google如何處理robots.txt文件，Google對robots.txt文件的當前最大文件大小限制。

Google的最大大小設置為500KB，因此請務必注意您的網站robots.txt文件的大小。

以下內容提取于谷歌官方介紹，原文：

https://support.google.com/webmasters/answer/6062596?hl=zh-Hans

位置規則和文件名

robots.txt文件應始終放在root網站的位置（在主機的頂級目錄中）并帶有文件名robots.txt，例如：https://www.example.com/robots.txt。

請注意，robots.txt文件的URL與其他任何URL一樣，區分大小寫。

如果在默認位置找不到robots.txt文件，搜索引擎會認為沒有指令。

• 文件必須命名為 robots.txt。

• 網站只能有 1 個 robots.txt 文件。

• robots.txt 文件必須位于它所應用到的網站主機的根目錄下。例如，要控制對 http://www.example.com/ 下所有網址的抓取，就必須將 robots.txt 文件放在根目錄下（即 http://www.example.com/robots.txt），而不能放在子目錄下（例如 http://example.com/pages/robots.txt）。

• robots.txt 文件可應用到子網域（例如 http://website.example.com/robots.txt）或非標準端口（例如 http://example.com:8181/robots.txt）。

語法

• robots.txt 必須是 ASCII 或 UTF-8 文本文件。不允許包含其他字符。

• robots.txt 文件由一條或多條規則組成。

• 每條規則由多條指令（說明）組成，每條指令各占一行。

• 每條規則包含以下信息：

• 此規則的適用對象（即User-agent）

• 代理可以訪問的目錄或文件，和/或

• 代理無法訪問的目錄或文件。

• 系統會按照從上到下的順序處理這些規則，而且一個用戶代理只能匹配 1 個規則集（即與相應用戶代理匹配的首條最具體的規則）。

• 系統的默認假設是：用戶代理可以抓取所有未被 Disallow: 規則禁止訪問的網頁或目錄。

• 規則區分大小寫。例如，Disallow: /file.asp 適用于 http://www.example.com/file.asp，但不適用于 http://www.example.com/FILE.asp。

優先順序

重要的是要注意搜索引擎處理robots.txt文件的方式不同。默認情況下，第一個匹配指令總是有優先權。

但是Google谷歌和Bing必應，更偏重于具體的目錄。

就是說：如果指令的字符長度較長，則谷歌和必應會跟看重Allow指令。

例子

在上面的示例中/about/，除了子目錄之外，所有搜索引擎（包括Google和Bing）都不允許訪問該目錄/about/company/。

例子

在上面的示例中，除Google和Bing之外的所有搜索引擎都不允許訪問/about/目錄，包括/about/company/。

但允許 Google和Bing 訪問/about/company/，因為該Allow指令比Disallow指令長，目錄位置更具體。

指令

你只能為每個搜索引擎定義一組指令。為一個搜索引擎設置多組指令會使它們混淆。

• User-agent：[必需，每條規則需含一個或多個 User-agent 條目] ，填寫搜索引擎蜘蛛（抓取工具）的名稱。這是每條規則的首行內容。Web Robots Database 和 Google User Agent(抓取工具)列表中列出了大多數用戶代理名稱。支持使用星號 (*) 通配符表示路徑前綴、后綴或整個字符串。像下例中那樣使用星號 (*) 可匹配除各種 AdsBot 抓取工具之外（此類抓取工具必須明確指定）的所有抓取工具。示例：

  # 示例 1：僅屏蔽 Googlebot
  User-agent: Googlebot
  Disallow: /
  
  # 示例 2：屏蔽 Googlebot 和 Adsbot
  User-agent: Googlebot
  User-agent: AdsBot-Google
  Disallow: /
   
  # 示例 3：屏蔽除 AdsBot 抓取工具之外的所有抓取工具
  User-agent: *
  Disallow: /

• Disallow：[每條規則需含至少一個或多個 Disallow 或 Allow 條目] 用戶代理不應抓取的目錄或網頁（相對于根網域而言）。如果要指定網頁，就應提供瀏覽器中顯示的完整網頁名稱；如果要指定目錄，則應以標記“/”結尾。支持使用通配符“*”表示路徑前綴、后綴或整個字符串。

• Allow：[每條規則需含至少一個或多個 Disallow 或 Allow 條目] 上文中提到的用戶代理應抓取的目錄或網頁（相對于根網域而言）。此指令用于替換 Disallow 指令，從而允許抓取已禁止訪問的目錄中的子目錄或網頁。如果要指定網頁，就應提供瀏覽器中顯示的完整網頁名稱；如果要指定目錄，則應以標記“/”結尾。支持使用通配符“*”表示路徑前綴、后綴或整個字符串。

• Sitemap：[可選，每個文件可含零個或多個 Sitemap 條目] 相應網站的站點地圖的位置。必須是完全限定的網址；Google 不會假定存在或檢查是否存在 http/https/www/非 www 等網址變體。站點地圖是一種用于指示 Google 應抓取哪些內容（而不是可以或無法抓取哪些內容）的好方法。詳細了解站點地圖。 示例：

  Sitemap: https://example.com/sitemap.xml
  Sitemap: http://www.example.com/sitemap.xml

要盡可能具體

disallow指令也會觸發部分匹配。

在定義Disallow指令時盡可能具體，以防止無意中禁止訪問文件。

例子

上面的示例不允許搜索引擎訪問：

• /directory

• /directory/

• /directory-name-1

• /directory-name.html

• /directory-name.php

• /directory-name.pdf

所以要指明那個目錄是需要被禁止爬行的。

另外

網站管理員必須使蜘蛛程序遠離某些服務器上的目錄——保證服務器性能。比如：大多數網站服務器都有程序儲存在“cgi-bin”目錄下，因此在robots.txt文件中加入“Disallow: /cgi-bin”是個好主意，這樣能夠避免將所有程序文件被蜘蛛索引，可以節省服務器資源。一般網站中不需要蜘蛛抓取的文件有：后臺管理文件、程序腳本、附件、數據庫文件、編碼文件、樣式表文件、模板文件、導航圖片和背景圖片等等。

特定User Agent的指令，不包含在所有User Agent抓取工具的指令

這個是什么意思？

讓我們看一個明確的例子：

在上面的示例中，除Google之外的所有搜索引擎都不允許訪問/secret/，/test/和/not-launched-yet/。

Google不允許訪問/not-launched-yet/，但允許訪問/secret/和/test/。

如果您不想讓googlebot訪問/secret/，/not-launched-yet/，那么需要googlebot特別重復這些指令：

• 頁面仍出現在搜索結果中

由于robots.txt而導致搜索引擎無法訪問的網頁，但如果它們是從已抓取的網頁進行鏈接，則仍會顯示在搜索結果中。例子：

Protip：可以使用Google Search Console的網址刪除工具從Google中刪除這些網址。請注意，這些網址只會被暫時刪除。為了讓他們不在Google的結果頁面中，需要每90天刪除一次網址。

• 緩存

谷歌表示robots.txt文件通常緩存最多24小時。在robots.txt文件中進行更改時，請務必考慮到這一點。

目前還不清楚其他搜索引擎如何處理robots.txt的緩存，但一般來說，最好避免緩存你的robots.txt文件，以避免搜索引擎花費超過必要的時間來接收更改。

• 文件大小

對于robots.txt文件，Google目前支持的文件大小限制為500 kb。可以忽略此最大文件大小之后的任何內容。

檢查robots.txt文件和URL

可以在舊版谷歌站長工具進行檢查。

點擊  抓取 > robots.txt測試工具

可以看到你的robots內容，下面輸入想測試的url，點擊測試，就能知道該url是否有被robots.txt的指令給限制了。

也可以通過下面鏈接直接進入：

https://support.google.com/webmasters/answer/6062598?hl=zh-Hans

2. 確保所有重要頁面都是可抓取的

4. 不要阻止網站JavaScript和CSS文件

6. 在站長工具檢查重要的URL是否被禁止抓取

8. 正確大寫目錄，子目錄和文件名

10. 將robots.txt文件放在網站根目錄中

12. Robots.txt文件區分大小寫，文件必須命名為“robots.txt”（沒有其他變體）

14. 請勿使用robots.txt文件隱藏私人用戶信息，因為它仍然可見

16. 將站點地圖位置添加到robots.txt文件中。

如果你有一個子域或多個子域在網站，那么你將需要對每個子域以及在主根域robots.txt文件。

這看起來像這個

store.yoursite.com/robots.txt和yoursite.com/robots.txt。

原因是，其他頁面可能鏈接到該信息，如果有直接鏈接，它將繞過robots.txt規則，并且內容可能仍會被索引。

如果您需要阻止您的網頁在搜索結果中真正被編入索引，請使用不同的方法，例如添加密碼保護或向這些網頁添加noindex元標記。Google無法登錄受密碼保護的網站/網頁，因此他們無法抓取或索引這些網頁。

不要在robots.txt中使用noindex

雖然有人說noindex在robots.txt文件中使用指令是個好主意，但它不是官方標準，谷歌公開建議不要使用它。

谷歌尚未明確原因，但我們認為我們應該認真對待他們的建議，因為：

• 如果使用多種方式發出不索引的信號，那么很難跟蹤哪些頁面不應該被索引。

• 該noindex指令不是萬無一失的，因為它不是官方標準。可能它不會被谷歌100％追蹤。

• 我們只知道Google使用該noindex指令，其他搜索引擎（可能）不會將其用于noindex頁面。

如果你之前從未使用過robots.txt文件，可能會有點緊張，但請放心使用，而且設置相當簡單。

一旦熟悉了文件的細節，就可以增強網站的搜索引擎優化。

通過正確設置robots.txt文件，將幫助搜索引擎爬蟲明智地花費他們的抓取預算，并幫助確保他們不浪費時間和資源來抓取不需要抓取的網頁。

這將有助于他們以盡可能最好的方式在SERP中組織和顯示你的網站內容，意味著你將獲得更多的曝光。

設置robots.txt文件并不一定需要花費大量的時間和精力。在大多數情況下，它是一次性設置，然后可以進行一些小的調整和更改，以幫助更好地塑造網站。

我希望本文中介紹的做法、提示和建議有助你著手創建/調整你的網站robots.txt文件。

1. 百度蜘蛛：Baiduspider網上的資料百度蜘蛛名稱有BaiduSpider、baiduspider等，都洗洗睡吧，那是舊黃歷了。百度蜘蛛最新名稱為Baiduspider。日志中還發現了Baiduspider-image這個百度旗下蜘蛛，查了下資料（其實直接看名字就可以了……），是抓取圖片的蜘蛛。常見百度旗下同類型蜘蛛還有下面這些：Baiduspider-mobile（抓取wap）、Baiduspider-image（抓取圖片）、Baiduspider-video（抓取視頻）、Baiduspider-news（抓取新聞）。注：以上百度蜘蛛目前常見的是Baiduspider和Baiduspider-image兩種。

2. 谷歌蜘蛛：Googlebot這個爭議較少，但也有說是GoogleBot的。谷歌蜘蛛最新名稱為“compatible; Googlebot/2.1;”。還發現了Googlebot-Mobile，看名字是抓取wap內容的。

3. 360蜘蛛：360Spider，它是一個很“勤奮抓爬”的蜘蛛。

4、SOSO蜘蛛：Sosospider，也可為它頒一個“勤奮抓爬”獎的蜘蛛。

5、雅虎蜘蛛：“Yahoo! Slurp China”或者Yahoo!名稱中帶“Slurp”和空格，名稱有空格robots里名稱可以使用“Slurp”或者“Yahoo”單詞描述，不知道有效無效。

6、有道蜘蛛：YoudaoBot，YodaoBot（兩個名字都有，中文拼音少了個U字母讀音差別很大嘎，這都會少？）

7、搜狗蜘蛛：Sogou News Spider搜狗蜘蛛還包括如下這些：

Sogou web spider、Sogou inst spider、Sogou spider2、Sogou blog、Sogou News Spider、Sogou Orion spider，（參考一些網站的robots文件，搜狗蜘蛛名稱可以用Sogou概括，無法驗證不知道有沒有效）看看最權威的百度的robots.txt ，http://www.baidu.com/robots.txt 就為Sogou搜狗蜘蛛費了不少字節，占了一大塊領地。“Sogou web spider；Sogou inst spider；Sogou spider2；Sogou blog；Sogou News Spider；Sogou Orion spider”目前6個，名稱都帶空格。線上常見”Sogou web spider/4.0″ ；”Sogou News Spider/4.0″ ；”Sogou inst spider/4.0″ 可以為它頒個“占名為王”獎。

8、MSN蜘蛛：msnbot，msnbot-media（只見到msnbot-media在狂爬……）

9、必應蜘蛛：bingbot線上(compatible; bingbot/2.0;)

10、一搜蜘蛛：YisouSpider

11、Alexa蜘蛛：ia_archiver

12、宜sou蜘蛛：EasouSpider

13、即刻蜘蛛：JikeSpider

14、一淘網蜘蛛：EtaoSpider“Mozilla/5.0 (compatible; EtaoSpider/1.0; http://省略/EtaoSpider)”根據上述蜘蛛中選擇幾個常用的允許抓取，其余的都可以通過robots屏蔽抓取。如果你暫時空間流量還足夠使用，等流量緊張了就保留幾個常用的屏蔽掉其它蜘蛛以節省流量。至于那些蜘蛛抓取對網站能帶來有利用的價值，網站的管理者眼睛是雪亮的。

另外還發現了如 YandexBot、AhrefsBot和ezooms.bot這些蜘蛛，據說這些蜘蛛國外，對中文網站用處很小。那不如就節省下資源。

Peace Out

公眾號ID：yestupa

掃碼關注圖帕先生

獲取更多國外SEM、SEO干貨

給我【在看】

你也越好看！