巧用robots文件管理引導搜索引擎蜘蛛對網站的抓取
許多年前，讓網站被搜索引擎選中包括填寫表格，注冊該網站，并手動編輯希望該網站被搜索的關鍵詞，這個過程隨著搜索引擎網絡爬蟲或網絡蜘蛛的出現而改變。本文就robots相關內容，做詳細的介紹。
什么是搜索引擎蜘蛛？
搜索引擎蜘蛛是一種自動程序，它沿著從一個網頁到另一個網頁的鏈接在互聯網上爬行，為內容編制索引并將其添加到數據庫中。這意味著，只要網站有一個來自其他網站且搜索引擎已經知道的鏈接，然后它會找到隨著時間的推移。鏈接到站點越多，發生這種情況的速度就越快。
不幸的是，這些蜘蛛可以非常密集地訪問網站。這是因為他們加載每個頁面和文件，以便為數據庫編目。蜘蛛會導致虛擬專用數據庫負載過高，可能會給訪問者帶來問題。為了幫助解決這些負載問題，有一種標準化的方法來控制這些爬蟲的行為，方法是將名為robots.txt的文件放在網站的根目錄中。但是，沒有任何強制遵守此文件的內容。所以，雖然大多數網絡搜索引擎爬蟲會服從它，但有些爬蟲可能不會。
robots.txt文件有特定的形式，請看以下示例：
User-agent： googlebot
Disallow： /images
Allow： /images/metadata
crawl-delay： 2
sitemap： /sitemap.xml
按順序查看每個指令行：
首先從“User-agent”（用戶代理）行開始：機器人或網絡瀏覽器將使用用戶代理來標識自身，而各種搜索引擎爬蟲將擁有自己的用戶代理。遵循“User-agent”指令的任何其他指令將僅對給定的用戶代理有效。帶星號（*）的用戶代理將被視為引用所有用戶代理。在示例文件中，該指令與googlebot搜索引擎蜘蛛程序相關。
“Disallow”（禁止）指令用于告訴搜索引擎蜘蛛程序有關不加載的目錄或文件。需要注意的是，盡管搜索引擎蜘蛛不會加載文件，如果它跟蹤到它們的鏈接，它仍然會在搜索結果中列出這些文件。因此，它不能用來阻止頁面出現在搜索結果中。“Disallow”可能是所有搜索引擎蜘蛛都支持的唯一指令。因此在示例中，不允許爬行/images目錄。
“Allow”（允許）指令可用于指定搜索引擎蜘蛛可以加載的禁止目錄中的文件或目錄。雖然并不是所有的搜索引擎蜘蛛都支持這個指令，但大多數蜘蛛都支持。在示例中，允許蜘蛛加載 /images/metadata目錄中的文件。
下一個指令是“crawl-delay”（爬行延遲），惠州網站建設它以秒為單位給出蜘蛛在加載下一頁之前將等待的數字。這是降低蜘蛛速度的最好方法，盡管可能不想讓數字太高，除非站點上只有很少的頁面，因為這將極大地限制蜘蛛每天可以加載的頁面數量。
最后，是“sitemap”（網站地圖）指令，可以將蜘蛛引導到網站的XML網站地圖文件，它也可以用來幫助網站進行索引。
控制搜索引擎蜘蛛
在robots.txt中可以填充盡可能多或很少的用戶代理，以控制訪問站點的方式。對于所有蜘蛛來說，從一個用戶代理區開始，然后為特定的蜘蛛添加單獨的部分是有意義的，因為它們可能會給站點帶來問題。創建了robots.txt之后，就需要對它進行測試，以確保它是有效的。如果語法中出現輸入錯誤或拼寫錯誤，則可能會導致蜘蛛忽略正在設置的規則。幸運的是，有很多測試它的工具，還有一些主要的搜索引擎，比如谷歌提供的測試工具。（來源：夫唯seo特訓營）
