安裝完 wordpress站點后關(guān)于robots.txt文件的書寫一直煩惱著很多站長,robots.txt文件協(xié)議又叫搜索引擎機器人協(xié)議,搜索引擎爬蟲在 爬取網(wǎng)站的時候,首先會看網(wǎng)站根目錄下是否有robots.txt文件,然后遵循robots.txt協(xié)議爬取網(wǎng)站主希望搜索引擎爬取的內(nèi)容。 robots.txt文件意在告訴搜索引擎爬蟲哪些頁面可以爬取,哪些頁面不能爬取,可以有效的保護用戶的隱私,同時也有利于節(jié)省蜘蛛的帶寬,從而讓蜘蛛 爬取更加容易,促進收錄。
先來簡單的說下robots.txt文件的規(guī)則:
1、允許所有的搜索引起爬取任何內(nèi)容
user-agent:*
disallow:
這個意思就是允許所有的搜索引擎爬取所有的頁面,雖然disallow是不允許的意思,但是后面是放空狀態(tài),這意思是沒有不允許爬取的頁面。
2、屏蔽其中一種或者幾種搜索引擎的爬取,以最近比較火的360綜合搜索為例
user-agent:360spider
disallow:/
user-agent:*
disallow:
前兩行的意思是不允許360綜合搜索蜘蛛爬取任何頁面,后面的解釋見第一點。同理,如果除了屏蔽360綜合搜索也想屏蔽百度蜘蛛,那就在開頭繼續(xù)添加。
3、不允許搜索引擎抓取其中的某些頁面,這邊以不允許所有搜索引擎爬取wordpress的管理后臺頁面為例
user-agent:*
disallow:/wp-admin/
我們都知道,wordpress的管理后臺在根目錄下的wp-admin文件夾里面,在disallow后面加上/wp-admin的意思就是不允許搜索引擎蜘蛛爬取。
至于不允許百度爬取后臺,允許其他搜索引擎爬取后臺,或者不允許360綜合搜索爬取后臺,允許其他搜索引擎爬取后臺等等組合,請參考以上三點內(nèi)容進行組合。
再來說下wordpress的robots.txt文件書寫,其實wordpress的robots文件很簡單,主要看3個要點:
1、網(wǎng)站后臺不要蜘蛛爬取
首先設(shè)置不讓搜索引擎抓取wordpress后臺頁面,這幾乎是每個站長設(shè)置robots.txt文件首要的目的,不僅局限于wordpress,當然,不同的類型網(wǎng)站后臺頁面所在頁面的文件夾名稱不一樣。
2、靜態(tài)化后,動態(tài)url不要蜘蛛爬取
wordpress的url最好還是靜態(tài)化下,因為過多的動態(tài)參數(shù)不利于蜘蛛的爬取。但很多站長在靜態(tài)化url之后,每次發(fā)布文章時,搜索引擎收錄 總會同時收錄靜態(tài)的url和動態(tài)的url,這樣明顯會導(dǎo)致文章頁面權(quán)重的分散,而且會導(dǎo)致重復(fù)頁面過多最終受到搜索引擎的懲罰,其實避免這種情況的方法很 簡單,那就是在robots.txt文件里面設(shè)置,讓蜘蛛不爬取動態(tài)url,這樣動態(tài)的url就不會被百度收錄。
3、結(jié)尾加上xml格式的網(wǎng)站地圖
在robots.txt的結(jié)尾加上網(wǎng)站地圖,可以讓網(wǎng)站地圖在蜘蛛爬取網(wǎng)站的時候第一時間被抓取,更利于頁面的收錄。
于是,最簡單的wordpress的robots.txt的書寫如下
user-agent:*
disallow:/wp-admin/
disallow:/*?*
#這意思是不抓取中包含?的url,動態(tài)url特征是有?#
sitemap:http://www.yourdomain.com/sitemap.xml
去掉含有#的那行,以及將sitemap中的yourdomain改成你的域名即可,這樣一個wordpress的robots.txt文件就完成了,最后將這文件上傳到根目錄下即可。
robots.txt文件書寫還有幾點需要注意的:
1、斜杠問題
首先開頭的斜杠是一定要的,結(jié)尾有斜杠的話意思是這個目錄下的所有頁面,如果沒有斜杠那屏蔽的既有包括斜杠的,也有不包括斜杠的,比如/wp-admin.html,/wp-admin.php等等頁面(舉例)。這是兩個不同的概念,必須根據(jù)需要考慮后面是否加上斜杠。
2、大小寫問題
除了每行的首字母之外,其他都必須小寫。
3、disallow和allow
其實對于很多新手站長來說,掌握其中一種的寫法足以,因為同時被灌輸這兩種寫法很容易導(dǎo)致混繞,所以如果你是新手,那么robots.txt文件最 好只使用一種方法即可,防止混繞造成錯誤