WordPress搜索引擎优化之robots.txt设置

今天用Site:http://www.hujuntao.com查看Google收录数,发现收录了许多重复文章。大量的相似度页面或重复页面会对网站收录造成影响,严重的甚至会被K掉。玩WordPress的人都知道,发布的文章有两个链接,一个是短地址(?p=),另一个则是你定义的固定链接。怎么避免两个地址同时被搜索引擎收录呢?答案是在robots.txt中屏蔽掉短地址。

什么是robots.txt:

什么是robots.txt?

robots.txt
  robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。Robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。
  当一个搜索蜘蛛访问一个站点时,它会首先检查该站点根目录下是否存在robots.txt,如果存在,搜索机器人就会按照该文件中的内容来确定访问的范围;如果该文件不存在,所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。
  robots.txt必须放置在一个站点的根目录下,而且文件名必须全部小写。
  语法:最简单的 robots.txt 文件使用两条规则:
  · User-Agent: 适用下列规则的漫游器
  · Disallow: 要拦截的网页
robots.txt在SEO中作用
  在进行网站优化的时候,经常会使用robots文件把一些内容不想让蜘蛛抓取,以前写过一篇网站优化robots.txt文件的运用 现在写这编文章在补充一点点知识!什么是robots.txt文件
  搜索引擎通过一种爬虫spider程序(又称搜索蜘蛛、robot、搜索机器人等),自动搜集互联网上的网页并获取相关信息。
  鉴于网络安全与隐私的考虑,搜索引擎遵循robots.txt协议。通过根目录中创建的纯文本文件robots.txt,网站可以声明不想被robots访问的部分。每个网站都可以自主控制网站是否愿意被搜索引擎收录,或者指定搜索引擎只收录指定的内容。当一个搜索引擎的爬虫访问一个站点时,它会首先检查该站点根目录下是否存在robots.txt,如果该文件不存在,那么爬虫就沿着链接抓取,如果存在,爬虫就会按照该文件中的内容来确定访问的范围。
  robots.txt必须放置在一个站点的根目录下,而且文件名必须全部小写。robots.txt文件的格式
  User-agent: 定义搜索引擎的类型
  Disallow: 定义禁止搜索引擎收录的地址
  Allow: 定义允许搜索引擎收录的地址
  我们常用的搜索引擎类型有:
  google蜘蛛:googlebot
  百度蜘蛛:baiduspider
  yahoo蜘蛛:slurp
  alexa蜘蛛:ia_archiver
  msn蜘蛛:msnbot
  altavista蜘蛛:scooter
  lycos蜘蛛:lycos_spider_(t-rex)
  alltheweb蜘蛛:fast-webcrawler
  inktomi蜘蛛: slurp
robots.txt文件的写法
  User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符
  Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录
  Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录
  Disallow: /ABC/ 这里定义是禁止爬寻ABC整个目录 
  Disallow: /cgi-bin/*.htm 禁止访问/cgi-bin/目录下的所有以”.htm”为后缀的URL(包含子目录)。
  Disallow: /*?* 禁止访问网站中所有的动态页面
  Disallow: /jpg$ 禁止抓取网页所有的.jpg格式的图片
  Disallow:/ab/adc.html 禁止爬去ab文件夹下面的adc.html文件。
  User-agent: * 这里的*代表的所有的搜索引擎种类,*是一个通配符
  Allow: /cgi-bin/ 这里定义是允许爬寻cgi-bin目录下面的目录
  Allow: /tmp 这里定义是允许爬寻tmp的整个目录
  Allow: .htm$ 仅允许访问以”.htm”为后缀的URL。
  Allow: .gif$ 允许抓取网页和gif格式图片robots.txt文件用法举例
  例1. 禁止所有搜索引擎访问网站的任何部分
  User-agent: *
  Disallow: /
  实例分析:淘宝网的 Robots.txt文件
  User-agent: Baiduspider
  Disallow: /
  很显然淘宝不允许百度的机器人访问其网站下其所有的目录。
  例2. 允许所有的robot访问 (或者也可以建一个空文件 “/robots.txt” file)
  User-agent: *
  Allow:
  例3. 禁止某个搜索引擎的访问
  User-agent: BadBot
  Disallow: /
  例4. 允许某个搜索引擎的访问
  User-agent: baiduspider
  allow:/
  例5.一个简单例子
  在这个例子中,该网站有三个目录对搜索引擎的访问做了限制,即搜索引擎不会访问这三个目录。
  需要注意的是对每一个目录必须分开声明,而不要写成 “Disallow: /cgi-bin/ /tmp/”。
  User-agent:后的*具有特殊的含义,代表“any robot”,所以在该文件中不能有“Disallow: /tmp/*” or “Disallow:*.gif”这样的记录出现。
  User-agent: *
  Disallow: /cgi-bin/
  Disallow: /tmp/
  Disallow: /joe/
  Robot特殊参数:
  允许 Googlebot:
  如果您要拦截除 Googlebot 以外的所有漫游器不能访问您的网页,可以使用下列语法:
  User-agent:
  Disallow:/
  User-agent:Googlebot
  Disallow:
  Googlebot 跟随指向它自己的行,而不是指向所有漫游器的行。
  “Allow”扩展名:
  Googlebot 可识别称为“Allow”的 robots.txt 标准扩展名。其他搜索引擎的漫游器可能无法识别此扩展名,因此请使用您感兴趣的其他搜索引擎进行查找。“Allow”行的作用原理完全与“Disallow”行一样。只需列出您要允许的目录或页面即可。
  您也可以同时使用“Disallow”和“Allow”。例如,要拦截子目录中某个页面之外的其他所有页面,可以使用下列条目:
  User-Agent:Googlebot
  Disallow:/folder1/
  Allow:/folder1/myfile.html
  这些条目将拦截 folder1 目录内除 myfile.html 之外的所有页面。
  如果您要拦截 Googlebot 并允许 Google 的另一个漫游器(如 Googlebot-Mobile),可使用”Allow”规则允许该漫游器的访问。例如:
  User-agent:Googlebot
  Disallow:/
  User-agent:Googlebot-Mobile
  Allow:
  使用 * 号匹配字符序列:
  您可使用星号 (*) 来匹配字符序列。例如,要拦截对所有以 private 开头的子目录的访问,可使用下列条目:
  User-Agent:Googlebot
  Disallow:/private*/
  要拦截对所有包含问号 (?) 的网址的访问,可使用下列条目:
  User-agent:*
  Disallow:/*?*
  使用 $ 匹配网址的结束字符
  您可使用 $ 字符指定与网址的结束字符进行匹配。例如,要拦截以 .asp 结尾的网址,可使用下列条目:
  User-Agent:Googlebot
  Disallow:/*.asp$
  您可将此模式匹配与 Allow 指令配合使用。例如,如果 ? 表示一个会话 ID,您可排除所有包含该 ID 的网址,确保 Googlebot 不会抓取重复的网页。但是,以 ? 结尾的网址可能是您要包含的网页版本。在此情况下,可对 robots.txt 文件进行如下设置:
  User-agent:*
  Allow:/*?$
  Disallow:/*?
  Disallow:/ *?
  一行将拦截包含 ? 的网址(具体而言,它将拦截所有以您的域名开头、后接任意字符串,然后是问号 (?),而后又是任意字符串的网址)。
  Allow: /*?$ 一行将允许包含任何以 ? 结尾的网址(具体而言,它将允许包含所有以您的域名开头、后接任意字符串,然后是问号 (?),问号之后没有任何字符的网址)。Robots Meta标签
  Robots.txt文件主要是限制整个站点或者目录的搜索引擎访问情况,而Robots Meta标签则主要是针对一个个具体的页面。和其他的META标签(如使用的语言、页面的描述、关键词等)一样,Robots Meta标签也是放在页面的中,专门用来告诉搜索引擎ROBOTS如何抓取该页的内容。
  Robots Meta标签中没有大小写之分,name=”Robots”表示所有的搜索引擎,可以针对某个具体搜索引擎写为name=”BaiduSpider”。content部分有四个指令选项:index、noindex、follow、nofollow,指令间以“,”分隔。
  index指令告诉搜索机器人抓取该页面;
  follow指令表示搜索机器人可以沿着该页面上的链接继续抓取下去;
  Robots Meta标签的缺省值是index和follow,只有inktomi除外,对于它,缺省值是index、nofollow。
  需要注意的是:上述的robots.txt和Robots Meta标签限制搜索引擎机器人(ROBOTS)抓取站点内容的办法只是一种规则,需要搜索引擎机器人的配合才行,并不是每个ROBOTS都遵守的。
  目前看来,绝大多数的搜索引擎机器人都遵守robots.txt的规则,而对于RobotsMETA标签,目前支持的并不多,但是正在逐渐增加,如著名搜索引擎GOOGLE就完全支持,而且GOOGLE还增加了一个指令“archive”,可以限制GOOGLE是否保留网页快照。

以上内容摘自百度百科

下面来介绍WordPress的robots.txt该怎么优化:
使用WordPress搭建的博客,利用robots.txt文件限制搜索引擎抓取部分目录及文件,归纳大致有以下几种方法。
最简单的开放写法

User-agent: *
Disallow:

使用说明:允许所有蜘蛛访问,允许访问所有内容。Wordpress只要模板中链接设计合理,没有需要限制的特殊内容,推荐使用这种写法。
最简单的严格写法

User-agent: *
Disallow: /wp-*
#Allow: /wp-content/uploads/
Disallow: /*.php$
Disallow: /*.inc$
Disallow: /*.js$
Disallow: /*.css$
Disallow: /?s=

使用说明:允许所有蜘蛛访问,限制以“wp-”开头的目录及文件,限制抓取.php文件、.inc文件、.js文件、.css文件,限制抓取搜索结果。
Disallow: /wp-* 会连同附件目录一起限制抓取,如果想让搜索引擎抓取附件中的内容,将第三行的 # 号注释去掉。Allow 不是所有搜索引擎都支持。
最合理的写法

User-agent: *
Disallow: /wp-admin
Disallow: /wp-content/plugins
Disallow: /wp-content/themes
Disallow: /wp-includes
#限制抓取短地址
Disallow: /?p=
#Disallow: /?s=
Sitemap: http://domain/sitemap.xml

使用说明:允许所有搜索引擎抓取,逐一列举需要限制的目录,限制抓取搜索结果。
Disallow: /?p= 这一句就是限制收录短地址,以解决一篇文章收录两个地址的问题。如果你不想收录搜索结果页面,去掉第八行的#号。我的博客现在就是采用的这个写法。

robots.txt其他写法:为避免在搜索引擎中出现重复页面,Wordpress玩家自创了很多robots写法,列举一些常用的,作为参考(适用于伪静态方式的永久链接):

* Disallow: /page/ #限制抓取Wordpress分页
* Disallow: /category/*/page/* #限制抓取分类的分页
* Disallow: /tag/ #限制抓取标签页面
* Disallow: */trackback/ #限制抓取Trackback内容
* Disallow: /category/* #限制抓取所有分类列表

发表评论

电子邮件地址不会被公开。 必填项已用*标注