如何使用robots.txt阻止搜索引擎爬(抓取)你的網站?

為了你的網站可以被別人搜索到，搜索引擎爬蟲，有時也稱為搜索機器人(bots)或是搜索蜘蛛(spiders)，會爬取你的網站，搜索有變動的內容并且重新更新搜索引擎的搜索檢索。

如何用robts.txt 這個文檔去控制搜索蜘蛛

網站站長可以使用robots.txt這個文檔，來指導搜索蜘蛛應該如何爬取這個網站，當搜索引擎爬取網站時，會先讀取robots.tx?文檔，并且依照規則爬取網站。

※ robots.txt 規則雖然是重要的，但是搜索機器人不一定會遵守 robot.txt 規則，它只是一個運行方針。

※?以Google而言，要設置Crawl-delay，是必須在Google管理工具里設置。

※?對于浮濫爬取你的網站的劣質搜索蜘蛛，應該研究如何憑借.htamless里的User-agent去阻擋不好的搜索蜘蛛。

編輯與創建robots.txt 文檔

Robots.txt 文檔是必須放在網站根目錄里，如果你的網址是example.com 是可以讀取到的。

網址位置：

http://example.com/robots.txt

服務器位置：

/home/userna5/public_html/robots.txt

如果沒有這個文檔的話，你可以使用純文檔文檔創建一個新的robots.txt文檔。

搜索引擎的用戶

以搜索引擎蜘蛛的User-agent來說，使用robots.txt文檔來控制，是最普通的規范方式。

當搜索蜘蛛爬取網站時，他們會以用戶User-agent來識別、以下提供些參考范例

前三名美國最常發現的搜索引擎用戶：

Googlebot

Yahoo! Slurp

bingbot

最常被阻擋的搜索引擎用戶：

AhrefsBot

Baiduspider

Ezooms

MJ12bot

YandexBot

搜索引擎蜘蛛是會以robots.txt文檔規則來抓取網站

robots.txt 文檔有許多的規則，可以控制搜索蜘蛛如何爬取你得網站。

User-agent：可以具體指定哪一個User-agent是適用的，如*是萬用搭配于全部的User-agent。

Disallow:設置文檔或是文檔夾，不允許被搜索蜘蛛爬取。

設置全部搜索引擎延遲爬取

如果你的網站有1000頁，搜索蜘蛛可能在幾分鐘內檢索全部的網站，然而這有可能導致系統資源使用過度，在短時間內讓全部的網頁非常過負荷，導致網頁無法瀏覽。

延遲30秒的時間，將允許搜索蜘蛛在8.3小時內檢索1000張網頁。

延遲500秒的時間，將允許搜索蜘蛛在5.8天內檢索1000張網頁。

你也可以設置Crawl-delay：所有的搜索蜘蛛立即搜索。

User-agent: *

Crawl-delay: 30

允許搜索蜘蛛爬取全部網站

在缺省空白情況下，搜索引擎蜘蛛還是會爬取你的網站，不過你還是可以指定它是允許的。

User-agent: *

Disallow:

不允許搜索蜘蛛爬取全部網站

User-agent: *

Disallow: /

不允許搜索蜘蛛爬取特定一個網站

你可以運用這些規則，不允許特定的搜索引擎蜘蛛爬取你的網站。

User-agent: Baiduspider

Disallow: /

不允許全部搜索蜘蛛爬取特定的文檔

如果有些文檔如contactus.htm, index.htm, 或是store.htm我們不想要搜索蜘蛛爬取，我可以使用：

User-agent: *

Disallow: /contactus.htm

Disallow: /index.htm

Disallow: /store.htm

除了指定的以外，不允許全部搜索蜘蛛爬取

如果我們只想讓Googlebot爬取我們的/private/目錄，但是不允許其他搜索蜘蛛爬取，我們可以這樣使用：

User-agent: *

Disallow: /

User-agent: Googlebot

Disallow: /private/

當Googlebot讀取我的robots.txt文檔時，會去理解文檔內容，不會禁止全部目錄的爬取。

如果想只想要一網頁部被抓取檢索請參考(使用標簽來阻擋搜索蜘蛛檢索網頁)