robots.txt设置与优化

一、先来普及下robots.txt的概念：　　

robots.txt(统一小写)是一种存放于网站根目录下的ASCII编码的文本文件，它通常告诉网络搜索引擎的漫游器(又称网络蜘蛛)，此网站中的哪些内容是不能被搜索引擎的漫游器获取的，哪些是可以被(漫游器)获取的。这个文件用于指定spider在您网站上的抓取范围，一定程度上保护站点的安全和隐私。同时也是网站优化利器，例如屏蔽捉取站点的重复内容页面。　　robots.txt目前并不是一种标准，只是一种协议!所以现在很多搜索引擎对robots.txt里的指令参数都有不同的看待。

　　

二、使用robots.txt需要注意的几点地方：　　

1、指令区分大小写，忽略未知指令，下图是本博客的robots.txt文件在Google管理员工具里的测试结果;　　

2、每一行代表一个指令，空白和隔行会被忽略;　　

3、“#”号后的字符参数会被忽略;　　

4、有独立User-agent的规则，会排除在通配“*”User agent的规则之外;　　

5、可以写入sitemap文件的链接，方便搜索引擎蜘蛛爬行整站内容。　　

6、尽量少用Allow指令，因为不同的搜索引擎对不同位置的Allow指令会有不同看待。

　　

三、Wordpress的robots.txt优化设置　　

1、User-agent： *　　

一般博客的robots.txt指令设置都是面对所有spider程序，用通配符“*”即可。如果有独立User-agent的指令规则，尽量放在通配“*”User agent规则的上方。

　　

2、Disallow： /wp-admin/　　

Disallow： /wp-content/　　

Disallow： /wp-includes/　　

屏蔽spider捉取程序文件，同时也节约了搜索引擎蜘蛛资源。

　　

3、Disallow： /*/trackback　　

每个默认的文章页面代码里，都有一段trackback的链接，如果不屏蔽让蜘蛛去捉取，网站会出现重复页面内容问题。

　　

4、Disallow： /feed　　

Disallow： /*/feed　　

Disallow： /comments/feed　　

头部代码里的feed链接主要是提示浏览器用户可以订阅本站，而一般的站点都有RSS输出和网站地图，故屏蔽搜索引擎捉取这些链接，节约蜘蛛资源。

　　

5、Disallow： /?s=*　　

Disallow： /*/?s=*　　

这个就不用解释了，屏蔽捉取站内搜索结果。站内没出现这些链接不代表站外没有，如果收录了会造成和TAG等页面的内容相近。

　　

6、Disallow： /?r=*　　

屏蔽留言链接插件留下的变形留言链接。(没安装相关插件当然不用这条指令)　

　

7、Disallow： /*.jpg$　　

Disallow： /*.jpeg$　　

Disallow： /*.gif$　　

Disallow： /*.png$　　

Disallow： /*.bmp$　　

屏蔽捉取任何图片文件，在这里主要是想节约点宽带，不同的网站管理员可以按照喜好和需要设置这几条指令。

　　

8、Disallow： /?p=*　　

屏蔽捉取短链接。默认头部里的短链接，百度等搜索引擎蜘蛛会试图捉取，虽然最终短链接会301重定向到固定链接，但这样依然造成蜘蛛资源的浪费。

　　

9、Disallow： /*/comment-page-*　　

Disallow： /*?replytocom*　　

屏蔽捉取留言信息链接。一般不会收录到这样的链接，但为了节约蜘蛛资源，也屏蔽之。

　　

10、Disallow： /a/date/　　

Disallow： /a/author/　　

Disallow： /a/category/　　

Disallow： /?p=*&preview=true　　

Disallow： /?page_id=*&preview=true　　

Disallow： /wp-login.php　　

屏蔽其他的一些形形色色的链接，避免造成重复内容和隐私问题。

　　

11、Sitemap:http://***.com/sitemap.txt　　

网站地图地址指令，主流是txt和xml格式。告诉搜索引擎网站地图地址，方便搜索引擎捉取全站内容，当然你可以设置多个地图地址。要注意的就是Sitemap的S要用大写，地图地址也要用绝对地址。　　上面的这些Disallow指令都不是强制要求的，可以按需写入。也建议站点开通谷歌管理员工具，检查站点的robots.txt是否规范。