深入了解Robots.txt及如何规范地编写

什么是robots.txt

关于Robots.txt,相信大部分WordPress站长对其都不会感到陌生,一个规范的Robots.txt对于WordPress网站SEO优化来说至关重要。该文件主要用于告诉搜索引擎爬虫,网站哪些页面可以爬取,哪些页面不可以。

我们曾经在“如何编写和优化WordPress网站的Robots.txt”对Robots.txt进行了详细地介绍,不过,今天这篇文章将会更加详细,也易于站长解读及更好地利用Robots.txt文件。

Robots.txt 是网站中最简单的一个文件,但同时也是最容易出错的。仅仅是一个字符的错误可能会影响你的SEO效果、阻碍搜索引擎抓取你网站中的有效内容。

robots.txt文件的配置错误经常发生,即使经验丰富的SEO人员也是如此。

在这篇教程中你将会学到:

Robots.txt文件是什么?

Robots.txt文件是用来告诉搜索引擎,网站上的哪些页面可以抓取,哪些页面不能抓取。

首先,它列出了你想从搜索引擎(如Google)中排除的所有内容。你还可以告诉某些搜索引擎(非Google)应该如何抓取网站的内容。

重要提示

大多数搜索引擎都会遵循规则,它们没有打破规则的习惯。换句话说,少部分的搜索引擎则会无视这些规则。

Google不是那些不守规矩的搜索引擎之一。他们遵守robots.txt文件中的声明。

只是我们知道有些搜索引擎完全忽略它。

Robots.txt长什么样?

以下是Robots.txt文件的基本格式:

Sitemap: [URL location of sitemap]

User-agent: [bot identifier]
[directive 1]
[directive 2]
[directive ...]

User-agent: [another bot identifier]
[directive 1]
[directive 2]
[directive ...]

如果你以前从未看过这些内容,你可能会觉得很难。但实际上,它的语法非常简单。简而言之,你可以通过在文件中指定user-agents(用户代理)和directives(指令)来为搜索引擎蜘蛛分配抓取规则。

让我们详细的讨论则两个组件。

User-agents(用户代理)

每个搜索引擎都有一个特定的用户代理。你可以在robots.txt文件中针对不同的用户代理分配抓取规则。总共大约有上百种用户代理(实际上,你只要安装Spider Analyser插件,即可轻松掌握都有哪些蜘蛛访问爬取您的网站。),以下是一些对SEO有用的用户代理:

  • Google: Googlebot
  • Google Images: Googlebot-Image
  • Bing: Bingbot
  • Yahoo: Slurp
  • Baidu: Baiduspider
  • DuckDuckGo: DuckDuckBot

 

小提示. robots.txt中的所有用户代理均严格区分大小写。

你也可以使用通配符(*)来一次性为所有的用户代理制定规则。

举个例子,假设你想屏蔽除了谷歌以外的搜索引擎蜘蛛,下面就是做法:

User-agent: *
Disallow: /

User-agent: Googlebot
Allow: /

你需要知道,在 robots.txt文件中,你可以指定无数个用户代理。虽然这么说,每当你指定一个新的用户代理时,它都是独立的。换句话说,如果你陆续为多一个用户代理制定了规则,那么第一个用户代理的规则并不适用于第二个,或者时第三个。

有一个例外就是,如果你针对同一个用户代理制定了多次规则,那么这些规则则会被放在一起执行。

重要提示

蜘蛛只会遵循准确表明详细用户代理的指令。所以上方的 robots.txt文件只会排除除谷歌蜘蛛(以及其它类型的谷歌蜘蛛)以外的搜索引擎爬虫。谷歌蜘蛛会忽略一些不太具体的用户代理声明。

Directives(指令)

指令指的是你希望用户代理遵循的规则。

目前支持的指令

下面是谷歌目前支持的指令,以及它们的用法.

Disallow指令

使用此指令来规定搜索引擎不要访问特定路径的文件和页面。例如,如果你想阻止所有搜索引擎访问你的博客及其所有帖子,则robots.txt文件就像下方这样:

User-agent: *
Disallow: /blog

小提示. 如果你再disallow指令后面没有给出详细的路径,那么搜索引擎就会忽略它。

Allow指令

使用此指令来规定搜索引擎需要访问特定路径的文件和页面——即使在一个被disallow指令屏蔽的路径中也可以使用。如果你屏蔽特定文章以外的所有文章页面,那么robots.txt应该像下方这样:

User-agent: *
Disallow: /blog
Allow: /blog/allowed-post

在这个例子中,搜索引擎可以访问: /blog/allowed-post. 但是它不能访问:

/blog/another-post/blog/yet-another-post/blog/download-me.pdf

谷歌和必应都支持这个指令。

小提示. 和disallow指令一样,如果你在allow指令之后没有声明路径,那么搜索引擎会忽略它。

有关规则冲突的说明

除非你非常的细心,否则部分情况disallow指令会与allow指令互相冲突。下方的这个例子,我们阻止了访问了这个页面 /blog/ 同时开放了这个页面 /blog.

User-agent: *
Disallow: /blog/
Allow: /blog

这个例子中,这个URL /blog/post-title/ 似乎即被阻止了,又被允许了。那么到底是哪一个呢?

对与谷歌和必应来说,它们会遵循指令字符较长的那一个,在这个例子中就是disallow指令。

Disallow: /blog/ (6 字符)Allow: /blog (5 字符)

如果disallow指令和allow指令长度一样,那么限制范围较小的指令会胜出,这种情况就是allow指令。

小提示. 这里, /blog (没有斜杠为后缀) 是可以被抓取的。

严格来说,这只适用于谷歌和必应搜索引擎。其它搜索引擎会遵循第一条指令,这种情况就是disallow指令。

Sitemap指令

使用此指令来标记你网站地图所的位置。如果你对网站地图不熟悉,它通常会包含你需要被搜索引擎抓取&索引的所有页面链接。

下面就是一个使用Sitemap指令的robots.txt文件:

Sitemap: https://www.domain.com/sitemap.xml

User-agent: *
Disallow: /blog/
Allow: /blog/post-title/

在robots.txt中注明sitemap指令有多么重要呢?如果你已经向谷歌提交了网站地图,那么这一步操作就可有可无。但是,对于其它搜索引擎,比如必应,就可以明确的告诉它你的网站地图在哪里,所以这一步还是很有必要的。

注意,你不需要针对不同的代理重复标注sitemap指令。所以最好的方法是将sitemap指令写在robots.txt的最开始或者最末尾,就像下方这样:

Sitemap: https://www.domain.com/sitemap.xml
User-agent: Googlebot
Disallow: /blog/
Allow: /blog/post-title/
User-agent: Bingbot
Disallow: /services/

谷歌支持sitemap指令、同时Ask、必应、雅虎搜索引擎都支持。

小提示. 你可以在robots.txt中使用多条sitemap指令。

不再支持的指令

下面是一些谷歌不再支持的指令——部分因为技术原因一直都没有被支持过。

Crawl-delay指令

之前你可以使用这个指令来指定抓取间隔时间(秒)。比如,你希望谷歌蜘蛛再每次抓取之后等待5秒,那么你就需要将Crawl-delay指令设置为5:

User-agent: Googlebot
Crawl-delay: 5

谷歌已经不再支持这个指令,但是必应Yandex依然支持。

虽然这么说,在设置这个指令的时候你需要小心,尤其是你有一个大型网站的时候。如果你将Crawl-delay指令设置为5,那么每天蜘蛛最多只能抓取17,280个URL。如果你有上百万的页面,这个抓取量就非常的小了。反之,如果你是小型网站,则它可以帮你节省带宽。

Noindex指令

这个指令从来没有被谷歌支持过。但是直到最近,人们认为谷歌有一些“处理不受支持和未发布的规则的代码(例如noindex)”。所以如果你希望阻止谷歌索引你所有的博客页面,那么你可以使用这个指令:

User-agent: Googlebot
Noindex: /blog/

但是同时,在2019年9月1号,谷歌明确表示这个指令不被支持。如果你想从搜索引擎中排除一个页面的话,使用meta robots标签、或者是x-robots HTTP头部指令。

Nofollow指令

这个指令谷歌也是从来没有从官方支持过的。曾经是用来阻止搜索引擎跟随某一个链接,或者是某个特殊的路径。比如,你想屏蔽谷歌跟随所有的博客链接,你可以这么设置指令:

User-agent: Googlebot
Nofollow: /blog/

谷歌在2019年9月1号声明这个指令不会被支持。如果你想阻止搜索引擎跟随页面上的所有链接,那么你应该使用meta robots标签、或者是x-robots HTTP头部指令。如果你想指定一个链接不让谷歌跟随,那么你可以在特定链接中加入rel="nofollow"参数。

你需要一个Robots.txt文件吗?

对于一部分网站来说,有没有robots.txt其实无关痛痒,尤其是小网站。

虽然这么说,但是没有一个好的理由不去拥有它。它可以在搜索引擎访问网站的规则上给你一些额外的控制权,那么这可以帮助你:

  • 防止抓取重复页面;
  • 让网站在某个阶段不公开 (比如:在搭建网站雏形时);
  • 防止抓取内部搜索页面;
  • 防止服务器过载;
  • 防止谷歌浪费crawl budget(抓取预算);
  • 防止部分图片视频及其它资源展示在谷歌结果中。

请注意,尽管谷歌通常不会索引robots.txt中阻止的网页,但这无法保证使用robots.txt文件可以100%将其排除在搜索结果之外

谷歌说过,如果内容从另外一个地方获得链接,那么依然有可能被呈现在搜索结果当中。

如何找到你的robots.txt文件?

如果你的网站已经有了robots.txt文件,那么你可以通过domain.com/robots.txt 这个链接进行访问。如果你看到有类似下方这样的信息,这就是你的robots.txt文件:

robots.txt文件

ahrefs robots

如何建立一个robots.txt文件?

如果你没有robots.txt文件的话,那么做一个也十分的简单。你只需要打卡一个空的.txt文件(记事本文件)然后按照要求填写指令。比如,你希望搜索引擎不抓取你的 /admin/ 目录,你可以像下方这样设置:

User-agent: *
Disallow: /admin/

你可以继续添加指令,只要你满意为止,然后将文件保存为“robots.txt”。

除此之外,你还可以使用robots.txt生成工具来制作,比如Smart SEO Tool插件:

robots creator插件管理robots.txt文件

利用类似这样工具的优势就是,更加容易编辑管理。当然为了避免指令语法错误,建议任何工具生成的robots.txt都应该使用搜索引擎站长工具进行检验,比如百度资源管理平台

百度搜索资源平台robots.txt文件检测

这个非常重要,因为一个小的语法错误都会导致灾难性的后果,还是小心无大错比较好。

在哪里放置robots.txt文件呢?

将robots.txt文件放置在对应域名/子域名的根目录文件夹中。比如,如果你的网站使用的是domain.com,那么robots.txt就可以通过domain.com/robots.txt访问到。

如果你希望你控制二级域名的访问限制,比如blog.domain.com,那么它的robots.txt就需要通过blog.domain.com/robots.txt访问到才可以。

Robots.txt的最佳做法

牢记下方提示,可以避免不必要的错误:

每一个新指令都需要另起一行

每个指令都需要新起一行。否则会让搜索引擎产生误解:

错误示例:

User-agent: * Disallow: /directory/ Disallow: /another-directory/

标准示例:

User-agent: * 
Disallow: /directory/ 
Disallow: /another-directory/

使用通配符简化指令

你不仅可以使用通配符(*)将指令应用于所有用户代理,同时可以在声明指令时用来匹配雷同的URL。例如,如果你想防止搜索引擎访问网站上的参数化产品类别URL,可以像这样列出它们:

User-agent: * 
Disallow: /products/t-shirts?
Disallow: /products/hoodies?
Disallow: /products/jackets?
…

但是这并不简洁,你可以利用通配符,简写成下方这样:

User-agent: * 
Disallow: /products/*?

这个例子就是屏蔽了所有的搜索引擎用户抓取 /product/ 目录下,所有包含问号(?)的链接。换句话说就是屏蔽了所有带有参数的产品链接。

使用美元符号($)来标注以特定字符结尾的URL

在指令最后加入”$”。比如,如果你像屏蔽所有以 .pdf结尾的链接,那么你的可以这样设置你的 robots.txt:

User-agent: * 
Disallow: /*.pdf$

这个例子中,搜索引擎无法抓取任何以 .pdf 结尾的链接,意味着搜索引擎无法抓取 /file.pdf,但是搜索引擎可以抓取这个 /file.pdf?id=68937586,因为它没有以”.pdf“结尾。

相同的用户代理只声明一次

如果你多次声明相同的用户代理,谷歌虽然并不反对,依然可以结合在一起执行。比如,像下方这样…

User-agent: Googlebot
Disallow: /a/

User-agent: Googlebot 
Disallow: /b/

… 谷歌蜘蛛不会抓取两个中任何一个目录。

虽然这么说,最好只声明一次,因为这不会产生困惑。换句话说,保持简单明了,可以让你不会出现致命的错误。

使用精准的指令避免以外的错误

如果不使用精准的指令,那么很可能会导致SEO中产生致命的错误。假设你现在有一个多语言的网站,正在操作一个德语版本的 /de/ 子目录。

因为还未完成,所以暂时你想阻止搜索引擎抓取这个目录内的内容。

下方的robots.txt文件可以屏蔽搜索引擎抓取这个目录以及下方的所有内容:

User-agent: *
Disallow: /de

但是,同时这也阻止了搜索引擎抓取所有以 /de.开头的内容。

比如:

  • /designer-dresses/
  • /delivery-information.html
  • /depeche-mode/t-shirts/
  • /definitely-not-for-public-viewing.pdf

这种情况,解决方法也很简单,只需要在后面加个斜杠:

User-agent: *
Disallow: /de/

使用注释给开发者提供说明

使用注释功能,可以向开发者说明你的robots.txt指令的用途——很可能是未来的你自己。如果需要使用注释,只需要以(#)开头即可:

# This instructs Bing not to crawl our site.
User-agent: Bingbot
Disallow: /

蜘蛛会忽略所有以(#)开头的指令。

针对不同的子域名使用不同的robots.txt文件

Robots.txt只在当前所属的子域名中生效。如果你需要控制不同的子域名抓取规则,那么你就需要分开设置不同的robots.txt文件。

比如,你的主站运行在 domain.com 上,你的博客运行在 blog.domain.com 上。那么你就需要有两个robots.txt文件。一个是放在主站的根目录中,一个是放在博客站的根目录中。

Robots.txt文件示例

下方使一些 robots.txt的文件示例。这些主要是为了给你一些启发。但是如果碰巧符合你需求的,可以请将其复制粘贴到记事本文档中,另存为“ robots.txt”,然后将其上传到对应的根目录中。

允许所有蜘蛛访问

User-agent: * 
Disallow: /

小提示.在指令后没有声明URL会使该指令变得多余。换句话说,搜索引擎会忽略它。这就是为什么这里的disallow指令是无效的原因。搜索引擎仍然可以抓取所有页面和文件。

不允许任何蜘蛛访问

User-agent: *
Disallow: /

针对所有蜘蛛屏蔽一个目录

User-agent: *
Disallow: /folder/

针对所有蜘蛛,屏蔽一个目录(只保留一个页面)

User-agent: *
Disallow: /folder/
Allow: /folder/page.html

针对所有蜘蛛,屏蔽一个文件

User-agent: *
Disallow: /this-is-a-file.pdf

针对所有蜘蛛,屏蔽所有的pdf文件

User-agent: *
Disallow: /*.pdf$

针对谷歌蜘蛛,屏蔽所有带参数URL

User-agent: Googlebot
Disallow: /*?

如何检测robots.txt文件中的问题?

Robots.txt很容易出现错误,因此检测是十分有必要的。

为了检测robots.txt相关问题,你只需要查看 Search Console(谷歌资源管理器)中的 “Coverage(覆盖率)”报告。下面就是一些常见的错误,包括它们的含义以及解决方法:

是否需要检查与某个页面相关的错误?

将特定URL放入Search Console(谷歌资源管理器)的URL Inspection tool(网址检测)。如果被robots.txt屏蔽了,那么就会像下方这样显示:

robots.txt拦截蜘蛛爬取URL

blocked by robots txt 1

小提示. 国内站长可以使用百度搜索资源平台提供的相关功能检测!

提交的URL被robots.txt屏蔽了

submitted-url-blocked-by-robots-3

这意味着至少在你提交的Sitemap当中,至少有一条URL被robots.txt屏蔽了。

如果你是正确的创建了你的sitemap,并且不包含canonicalized(规范标签)、noindexed(指定不索引)、redirected(跳转)等页面,那么你提交的所有的链接都不应该被robots.txt屏蔽。如果被屏蔽了,调查受影响的页面,然后相应地调整robots.txt文件,删除阻止该页面的指令。

你可以使用谷歌的robots.txt检测工具或者百度搜索资源平台的robots文件检测来查看哪条指令在阻止访问。在修改的时候你需要小心,因为很容易就会影响到其它的页面以及文件。

robots-txt-tester-3

被robots.txt屏蔽了

blocked-by-robots-txt-6

这代表,当前你有内容被robots.txt屏蔽了,但是暂时没有被谷歌索引。

如果这个内容很重要,并且需要被索引,删除robots.txt中的阻碍抓取的指令。(同时你得注意这个内容是否被索引标记标注为不索引状态)如果你需要屏蔽的内容也是不需要谷歌索引的话,那么你可以去掉屏蔽抓取的指令,然后使用meta robots标签、或者是x-robots HTTP头部指令进行屏蔽——这样就可以保证内容不被索引。

小提示.

如果想要将页面从索引中删除,必需先移除抓取阻碍。否则,谷歌无法抓取到页面的noindex(不索引)标记、或是HTTP头部指令——这样只会让搜索引擎保持原有的索引状态。

索引但是被robots.txt屏蔽

indexed-though-blocked-3

这意味着虽然一部分内容被robots.txt屏蔽了,但是依然是被谷歌索引的。

同样道理,如果你希望从搜索引擎中去除该内容,robots.txt并不是最好的选择。移除抓取阻碍,并使用meta robots标记、或者是x-robots HTTP头部指令防止被索引。

如果你是不小心屏蔽了这个内容,并且希望内容被谷歌索引的话,只需要在robots.txt中移除阻碍索引的指令即可。这样可以帮助你的内容更好的展现在谷歌当中。

FAQs

下面是经常被问到的,但是并没有涵盖在上方内容中的一些问题。你可以在评论中留下你的问题,我们会根据情况进行更新。

(1)robots.txt文件大小最大是多少?

500 千字节 (大概).

(2)WordPress中的robots.txt在哪里?

例子: domain.com/robots.txt.

(3)如何在Wordpress当中编辑robots.txt?

你可以手动编辑,或者使用WordPress SEO优化插件其中的一个。比如像Smart SEO Tool,它可以让你直接在后台编辑robots.txt文件。

如果我通过robots.txt屏蔽了不索引的页面有什么影响?

谷歌则无法看到你noindex的标记,因为它无法抓取这个信息。

最后的想法

Robots.txt是一个简单、但是很强大的我呢见。明智地使用它,可以对SEO产生积极影响。随意使用它,可能会造成灾难性的后果。

(via ahrefs.com 译者,Park Cheng,文章有改动)

标签

评论交流

闪电博沟通群

扫码加入QQ交流群 695891297