做SEO不得不知道的robots文件

　　robots这个词对每一位做SEO优化的人来说都不陌生，但是你知道了解全部有关robots文件的知识了吗?不妨来看看创新互联SEO专家接下来要给大家介绍的robots文件潜规则。

　　有关robots文件潜规则：

　　1、spider名字的大小写问题

　　大多数搜索引擎的spider在读取user-agent值的时候都是忽略大小写，既Googlebot和googlebot应该都能被google识别。但是，我在学习淘宝seo的时候也发现，或许为了保险起见，淘宝的工作人员在自己的“/robots.txt”里面分别写了“user-agent: baiduspider”和“user-agent: baiduspider”两条。(参见：http://www.taobao.com/robots.txt)

　　2、不允许出现多条user-agent的记录

　　一份“/robots.txt”文档中不允许出现多条包含“user-agent: *”的记录(但允许没有此记录)。

　　3、allow和disallow的顺序

　　大部分情况下，想要兼容所有的机器人，就应当将allow指令放在disallow指令的前面，例如：

　　Allow: /a/b.html

　　Disallow: /a/

　　这会阻止对”/a/”内除了”/a/b.html”以外一切内容的检索，因为后者是优先匹配成功的。虽然对于google和百度来说，先后顺序并不重要。但是不排除会导致其他搜索引擎出现抓取问题。

　　4、allow与disallow的角力

　　如果allow指令中的地址同disallow指令中的地址相比具有相同或更多字符(意味着allow指令所描述的地址更“深”、更“具体”)的话，虽然disallow指令也能匹配，但allow指令仍然会“获胜”(这样就达到开放子文件夹的目的了，同时没被allow的部分依然不会被检索)。

　　举个例子吧(假设和顺序无关)

　　Disallow:/a/b

　　Allow:/a

　　这样就是允许除b以外的所有a

　　Disallow:/a

　　Allow:/a/b

　　这样就是禁止除b以外的所有a

　　反斜杠“/”的意义

　　反斜杠“/”表示禁止搜索引擎进入该目录。

　　User-agent: spider

　　Disallow: /a

　　对这样的记录机器人该怎么反应?按照res标准，机器人会将名为“a”的文件和名为“a”的目录都disallow。当然，比较符合逻辑切清晰的写法是使用“/”来标识所声明的路径：

　　Disallow: /a/

　　注意不要忘记“a”前面的“/”

　　根据“/”的意义，对于只允许某搜索引擎，有些robots.txt会这样写

　　User-agent: Baiduspider

　　Disallow:

　　User-agent: *

　　Disallow: /

　　这样用百度的robots工具测试也是OK的,但从百度自家产品，百度知道的robots来看，更多的是写成

　　User-agent: Baiduspider

　　Allow: ?/

　　User-agent: *

　　Disallow: /

　　我其实在想，或许“/”正确的表述应该是"进入该目录"的意思，要不然Allow: ?/就不好理解了

　　在指示行末尾加注的问题

　　在“/robots.txt”文件中，凡以“#”开头的行，均被视为注解内容，这和unix中的惯例是一样的。例如：

　　Disallow: /cgi-bin/ # this bans robots from our cgi-bin

　　尽量不要在一行的前面出现空格

　　如“ disallow: /”《很多人非常不小心，空格就没了》

　　Res标准并未对这种格式予以特别说明，但和上面一个问题一样，可能导致某些机器人无法正确解读。

　　文件目录区分大小写(这个或许是困惑大多数人的)

　　虽然res标准忽略大小写(case insensitive)，但目录和文件名却是大小写敏感的。所以对于”user-agent”和”disallow”指令，用大小写都是可以的。但对于所声明的目录或文件名却一定要注意大小写的问题。例如：

　　Disallow: /abc.htm

　　会拦截“http://www.example.com/abc.htm”

　　却会允许http://www.example.com/Abc.htm

　　所以在IIS服务器可能出现的 诸多 大小写目录问题，可以通过此方法得到圆满解决。

　　如果页面中包含了多个同类型meta标签，spider会累加内容取值

　　对于下面两条语句来说：

　　<meta name=”robots” content=”noindex” />

　　<meta name=”robots” content=”nofollow” />

　　搜索引擎将会理解成：

　　<meta name=”robots” content=”noindex, nofollow” />

　　当内容取值冲突的时候，google和百度等大多数搜索引擎会采纳限制性最强的参数

　　例如，如果页面中包含如下meta标签：

　　<meta name=”robots” content=”noindex” />

　　<meta name=”robots” content=”index” />

　　Spider会服从noindex的取值。

　　如果你既用了robots.txt文件又用了robots meta标签

　　当二者出现冲突，googlebot会服从其中限制较严的规则

　　如果你在robots.txt中阻止了对一个页面的检索，googlebot永远不会爬到这个页面，因此也根本不会读到这个页面上的meta标签。 如果你在robots.txt里面允许了对一个页面的检索，却在meta标签中禁止了这一行为，googlebot会到达这个页面，在读到meta标签后终止进一步的检索行为。

　　robots文件是我们跟搜索引擎对话的渠道，而且通过设置，我们能够告诉搜索引擎蜘蛛哪些可以抓取，哪些不可以抓取。