控制页面的抓取、索引是SEO优化网站结构时经常需要用到的技术。常见的工具包括:
这几个工具各有各的特定应用场景,但都是用于控制网站内部结构,之间容易混淆,还经常需要配合使用,SEO们必须准确理解这几个工具的机制和原理,不然很容易出错。
这篇贴子讨论robots文件。
搜索引擎蜘蛛在抓取网站页面前,会先看一下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文件的规则就靠自觉了,某些坏蜘蛛就不遵守,站长是没办法的,比如采集内容的、克隆网站的。
所以,robots.txt文件是站长禁止搜索引擎抓取某些页面的指令。但是要注意,页面没有被抓取,不意味着页面就不会被索引和收录,这是两个概念。详情参考爬行、抓取、索引的概念介绍贴子。
Robots文件的每行记录均由一个字段、一个冒号和一个值组成,标准格式是:
其中
<#optional-comment>是另一个可选项,用于写些注释。
通常robots文件中的记录通常以User-agent开始,后面加上若干Disallow和Allow行。User-agent指定本记录用于哪个搜索引擎蜘蛛,Disallow是指定禁止抓取的文件或目录,Allow是指定允许抓取的文件或记录。
所有搜索引擎都支持的robots文件记录包括:
Disallow–告诉蜘蛛不要抓取某些文件或目录。如下面代码将阻止所有蜘蛛抓取所有的网站文件:
Allow–告诉蜘蛛应该抓取某些文件。Allow和Disallow配合使用,可以告诉蜘蛛某个目录下,大部分都不抓取,只抓取一部分。如下面代码将使蜘蛛不抓取ab目录下其他文件,而只抓取其中cd下的文件:
$通配符–匹配URL结尾的字符。如下面代码将允许蜘蛛访问以.htm为后缀的URL:
*通配符–告诉蜘蛛匹配任意一段字符。如下面一段代码将禁止所有蜘蛛抓取所有htm文件:
Sitemaps位置–告诉蜘蛛你的网站地图在哪里,格式为:
另外提醒大家注意的是,robots.txt文件可以不存在,返回404错误,意味着允许蜘蛛抓取所有内容。但抓取robots.txt文件时却发生超时之类的错误,可能导致搜索引擎不收录网站,因为蜘蛛不知道robots.txt文件是否存在或者里面有什么内容,这与确认文件不存在是不一样的。
另外,如果robots.txt文件不存在,而404页面上包含一些URL,可能会造成搜索引擎误将404页面的内容当作robots文件的内容,导致无法预测的后果。所以,即使想开放所有搜索引擎蜘蛛抓取所有内容,也最好放一个robots文件,哪怕是空的文件。
写好robots文件后如果不确定是否写得正确,可以用搜索引擎官方工具检测验证。如百度资源平台的robots文件验证工具https://ziyuan.baidu.com/robots/index
robots文件检测验证工具
输入网址后,验证工具会告诉你这个URL是否允许被抓取。
掌握robots文件用法和写法是SEO的基本功。遇到页面不被收录或收录骤降,robots文件也是第一个要检查的。
扫描二维码推送至手机访问。
3浏览自媒体运营与推广
2浏览网站结构优化
2浏览外部链接建设
2浏览自媒体运营与推广
本文地址:https://www.badfl.com/article/25107bf92ca033610f21.html