robots.txt文件详细解说
1. 什么是robots.txt文件?
搜索引擎使用spider程序自动访问互联网上的网页并获取网页信息。spider在访问一个网站时，会首先会检查该网站的根域下是否有一个叫做 robots.txt的纯文本文件，这个文件用于指定spider在您网站上的抓取范围。您可以在您的网站中创建一个robots.txt，在文件中声明 该网站中不想被搜索引擎收录的部分或者指定搜索引擎只收录特定的部分。
请注意，仅当您的网站包含不希望被搜索引擎收录的内容时，才需要使用robots.txt文件。如果您希望搜索引擎收录网站上所有内容，请勿建立robots.txt文件。
2. robots.txt文件放在哪里?
robots.txt文件应该放置在网站根目录下。举例来说，当spider访问一个网站(比如 http://www.abc.com)时，首先会检查该网站中是否存在http://www.abc.com/robots.txt这个文件，如果 Spider找到这个文件，它就会根据这个文件的内容，来确定它访问权限的范围。
网站 URL | 相应的 robots.txt的 URL |
http://www.esobao.cn/ | http://www.esobao.cn/robots.txt |
http://www.esobao.cn:80/ | http://www.esobao.cn:80/robots.txt |
http://www.esobao.cn:1234/ | http://www.esobao.cn:1234/robots.txt |
http://esobao.cn/ | http://esobao.cn/robots.txt |
3. 我在robots.txt中设置了禁止百度收录我网站的内容，为何还出现在百度搜索结果中?
如果其他网站链接了您robots.txt文件中设置的禁止收录的网页，那么这些网页仍然可能会出现在百度的搜索结果中，但您的网页上的内容不会被抓取、建入索引和显示，百度搜索结果中展示的仅是其他网站对您相关网页的描述。
4. 禁止搜索引擎跟踪网页的链接，而只对网页建索引
如果您不想搜索引擎追踪此网页上的链接，且不传递链接的权重，请将此元标记置入网页的<HEAD> 部分：
<meta name="robots" content="nofollow">
如果您不想百度追踪某一条特定链接，百度还支持更的控制，请将此标记直接写在某条链接上：
<a href="signin.php" rel="nofollow">signin</a>
要允许其他搜索引擎跟踪，但仅防止百度跟踪您网页的链接，请将此元标记置入网页的<HEAD> 部分：
<meta name="Baiduspider" content="nofollow">
5. 禁止搜索引擎在搜索结果中显示网页快照，而只对网页建索引
要防止所有搜索引擎显示您网站的快照，请将此元标记置入网页的<HEAD>部分：
<meta name="robots" content="noarchive">
要允许其他搜索引擎显示快照，但仅防止百度显示，请使用以下标记：
<meta name="Baiduspider" content="noarchive">
注：此标记只是禁止百度显示该网页的快照，百度会继续为网页建索引，并在搜索结果中显示网页摘要。
6. 我想禁止百度图片搜索收录某些图片，该如何设置?
禁止Baiduspider抓取网站上所有图片、禁止或允许Baiduspider抓取网站上的某种特定格式的图片文件可以通过设置robots实现，请参考“robots.txt文件用法举例”中的例10、11、12。
7. robots.txt文件的格式
"robots.txt"文件包含一条或更多的记录，这些记录通过空行分开(以CR,CR/NL, or NL作为结束符)，每一条记录的格式如下所示：
"<field>:<optional space><value><optionalspace>"
在该文件中可以使用#进行注解，具体使用方法和UNIX中的惯例一样。该文件中的记录通常以一行或多行User-agent开始，后面加上若干Disallow和Allow行,详细情况如下：
User-agent:
该项的值用于描述搜索引擎robot的名字。在"robots.txt"文件中，如果有多条User-agent记录说明有多个robot会受 到"robots.txt"的限制，对该文件来说，至少要有一条User-agent记录。如果该项的值设为*，则对任何robot均有效， 在"robots.txt"文件中，"User-agent:*"这样的记录只能有一条。如果在"robots.txt"文件中，加入"User- agent:SomeBot"和若干Disallow、Allow行，那么名为"SomeBot"只受到"User-agent:SomeBot"后面的 Disallow和Allow行的限制。
Disallow:
该项的值用于描述不希望被访问的一组URL，这个值可以是一条完整的路径，也可以是路径的非空前缀，以Disallow项的值开头的URL不会被 robot访问。例如"Disallow:/help"禁止robot访问/help.html、/helpabc.html、/help /index.html，而"Disallow:/help/"则允许robot访问/help.html、/helpabc.html，不能访问 /help/index.html。"Disallow:"说明允许robot访问该网站的所有url，在"/robots.txt"文件中，至少要有一条Disallow记录。如果"/robots.txt"不存在或者为空文件，则对于所有的搜索引擎robot，该网站都是开放的。
Allow:
该项的值用于描述希望被访问的一组URL，与Disallow项相似，这个值可以是一条完整的路径，也可以是路径的前缀，以Allow项的值开头 的URL 是允许robot访问的。例如"Allow:/hibaidu"允许robot访问/hibaidu.htm、/hibaiducom.html、 /hibaidu/com.html。一个网站的所有URL默认是Allow的，所以Allow通常与Disallow搭配使用，实现允许访问一部分网页同时禁止访问其它所有URL的功能。
使用"*"and"$"：
Baiduspider支持使用通配符"*"和"$"来模糊匹配url。
"$" 匹配行结束符。
"*" 匹配0或多个任意字符。
注：我们会严格遵守robots的相关协议，请注意区分您不想被抓取或收录的目录的大小写，我们会对robots中所写的文件和您不想被抓取和收录的目录做匹配，否则robots协议无法生效。
8. URL匹配举例
Allow或Disallow的值 | URL | 匹配结果 |
/tmp | /tmp | yes |
/tmp | /tmp.html | yes |
/tmp | /tmp/a.html | yes |
/tmp | /tmphoho | no |
/Hello* | /Hello.html | yes |
/He*lo | /Hello,lolo | yes |
/Heap*lo | /Hello,lolo | no |
html$ | /tmpa.html | yes |
/a.html$ | /a.html | yes |
htm$ | /a.html | no |
9. 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: * |
例2. 允许所有的robot访问 | User-agent: * |
例3. 仅禁止Baiduspider访问您的网站 | User-agent: Baiduspider |
例4. 仅允许Baiduspider访问您的网站 | User-agent: Baiduspider |
| 关键词：
没有了！
没有了！
网址规范化指的是搜索引擎挑选合适的URL作为真正(规范化的)网址的过程。 一、首先，为什么会出现不规范网址? 如图所示： http://maxseo.cn http://www.maxseo.cn http://www.maxseo.cn/index.html http://maxseo.cn/index.html 上面这几个URL指的是同一个文件：首页 从技术上来说，这几个URL都是不同的网址，搜索引擎也确实把他当作不同的网址，虽然这些网址返回的都是相同的文件，也就是首页。但从技术上来说：主机完全可以对这几个网址返回不同的内容。那么，除了图上带与不带www造成的，以及结尾是否带有index.html后缀造成的不规范网址外，其实还有以下几种原因会造成。例如： ①：网站程序的原因，不少CMS系统经常出现一篇文章可以通过几种不同的URL去访问。 ②：URL静态化设置存在错误，同一篇文章中有多个静态化URL可以访问。如图(截图URL和访问的标题)：
 ③：URL静态化后，静态和动态URL共存，都有链接，也都可以访问。 ④：网站的目录后带与不带斜杠。如图： 下图为不同的网址，但其实是一个页面。 http://www.baidu.com http://www.baidu.com/ ⑤：加密网址。如图： 下图的URL同时存在，但都可以访问。 http://www.baidu.com https://www.baidu.com ⑥：URL中有端口号。如图： http://www.baidu.com80/ http://www.baidu.com/ ⑦：跟踪代码。有喜欢做网络推广的人，习惯在URL后面加跟踪代码。如图： http://www.baidu.com/?*100 二：其次，出现网址不规范会给网站带来什么问题? 网站出现多个不规范网址会给搜索引擎收录和排名带来很多的麻烦，为什么不规范的URL会给搜索引擎和排名带来很多麻烦?为了让站长彻底的明白，我们举个例子，比如：网站首页是固定的且只有一个，但很多站长在链接回首页的时候所使用的URL并不是的，而是一会连到http://www.esobao.cn，一会连到http://www.esobao.cn/index.html。 一般来说，虽然不会给用户造成什么麻烦，但因为这些网址都是同一个文件，会间接性的给搜索引擎造成困惑，搜索引擎会认为：到底哪一个网址才是真正的首页?哪一个网址应该被当作首页返回?那么，这里有个重点：如果网站上不同版本的网址同时出现，就会很可能被搜索引擎收录。被收录之后，后果就可想而知了。而此时，搜索引擎在计算排名的时候必须要找到所谓规范化的网址，也就是搜索引擎认为的合适的URL版本。 不规范化会造成的问题，笔者简单的来说下： ①： 网站上有多个URL，这样会分散页面权重，不利于排名。 ②：搜索引擎判断的规范化网址并不是站长想要的那个网址。如图(站长想要的是不带后缀的，搜索引擎去把带后缀的给收录了)：
 ③：如果网址规范化问题太严重，也可能影响收录。因为：一个权重不是很高的域名，能收录的总页面数和蜘蛛总爬行时间是有限的，而搜索引擎把资源花在收录不规范的网址上，留给独特内容的资源就变得越来越少了。 ④：重复页面过多，搜索引擎可能认为有作弊嫌疑。 ⑤：对于搜索引擎来说，浪费资源、浪费宽带。 三、后，如何解决网址规范化的问题 关于如何解决网址规范化问题，可能这个对于站长而言是重点也是核心内容了。那么，可以解决URL规范化问题的方法有很多，比如接下来我们要说的这些： ①：现在企业、个人站长用的程序多的就是CMS，那么此时你就要确定你使用的这个CMS系统是否只能产生规范化网址，无论是否有静态化，比如DEDE、帝国CMS等。 ②：所有内链要保持统一，都指向规范化网址。比如：以带与不带www为例子，确定一个版本为规范化网址后，网站的内部链接都要统一使用这个版本，这样搜索引擎就会明白哪一个是站长希望的网站规范化网址。而从用户体验的角度去看：用户通常选择就是带www的版本为规范化网址。 ③：301转向。这个常用也是普遍的一个方法，站长可以通过301转向把不规范化URL全部转向到规范化URL。 ④：canonical标签。目前也是站长使用比较多的一种了，而且百度也是全面支持这个标签了。 ⑤：制作XML地图，地图中全部使用规范化网址，然后提交给搜索引擎。 虽然方法很多，但很多方法都有局限性，比如：有的网站因为技术的缺失或不成熟，导致301无法实现。再比如：很多CMS系统经常无法受自己控制等等。那么，笔者这里主要针对301和canonical做下具体的说明，因为这两种规范化方式是站长常用的手段，而且也是百度认同的。 |
