如何使用robots.txt阻止搜索引擎爬(抓取)你的网站?

为了你的网站可以被别人搜寻到，搜寻引擎爬虫，有时也称为搜寻机器人(bots)或是搜寻蜘蛛(spiders)，会爬取你的网站，搜寻有变动的内容并且重新更新搜寻引擎的搜寻检索。

如何用robts.txt 这个档桉去控制搜寻蜘蛛

网站站长可以使用robots.txt这个文件，来指导搜寻蜘蛛应该如何爬取这个网站，当搜寻引擎爬取网站时，会先读取robots.tx 文件，并且依照规则爬取网站。

※ robots.txt 规则虽然是重要的，但是搜寻机器人不一定会遵守 robot.txt 规则，它只是一个执行方针。

※ 以Google而言，要设定Crawl-delay，是必须在Google管理工具裡设定。

※ 对于浮滥爬取你的网站的劣质搜寻蜘蛛，应该研究如何凭藉.htaccess裡的User-agent去阻挡不好的搜寻蜘蛛。

编辑与创建robots.txt 文件

Robots.txt 文件是必须放在网站根目录里，如果你的网址是******.com 是可以读取到的。

网址位置：

http://******.com/robots.txt

伺服器位置：

/home/userna5/public_html/robots.txt

如果没有这个档桉的话，你可以使用纯文件档桉建立一个新的robots.txt文件。

搜寻引擎的使用者代理

以搜寻引擎蜘蛛的User-agent来说，使用robots.txt文件来控制，是最普通的规范方式。

当搜寻蜘蛛爬取网站时，他们会以使用者代理User-agent来识别、以下提供些参考范例

前三名美国最常发现的搜寻引擎使用者代理：

Googlebot

Yahoo! Slurp

bingbot

最常被阻挡的搜寻引擎使用者代理：

AhrefsBot

Baiduspider

Ezooms

MJ12bot

YandexBot

搜寻引擎蜘蛛是会以robots.txt文件规则来抓取网站

robots.txt 文件有许多的规则，可以控制搜寻蜘蛛如何爬取你得网站。

User-agent：可以具体指定哪一个User-agent是适用的，如*是万用搭配于全部的User-agent。

Disallow:设定档桉或是资料夹，不允许被搜寻蜘蛛爬取。

设定全部搜寻引擎延迟爬取

如果你的网站有1000页，搜寻蜘蛛可能在几分钟内检索全部的网站，然而这有可能导致系统资源使用过度，在短时间内让全部的网页超过负荷，导致网页无法浏览。

延迟30秒的时间，将允许搜寻蜘蛛在8.3小时内检索1000张网页。

延迟500秒的时间，将允许搜寻蜘蛛在5.8天内检索1000张网页。

你也可以设定Crawl-delay：所有的搜寻蜘蛛立即搜寻。

User-agent: *

Crawl-delay: 30

允许搜寻蜘蛛爬取全部网站

在预设空白情况下，搜寻引擎蜘蛛还是会爬取你的网站，不过你还是可以指定它是允许的。

User-agent: *

Disallow:

不允许搜寻蜘蛛爬取全部网站

User-agent: *

Disallow: /

不允许搜寻蜘蛛爬取特定一个网站

你可以运用这些规则，不允许特定的搜寻引擎蜘蛛爬取你的网站。

User-agent: Baiduspider

Disallow: /

不允许全部搜寻蜘蛛爬取特定的档桉

如果有些档桉如contactus.htm, index.htm, 或是store.htm我们不想要搜寻蜘蛛爬取，我可以使用：

User-agent: *

Disallow: /contactus.htm

Disallow: /index.htm

Disallow: /store.htm

除了指定的以外，不允许全部搜寻蜘蛛爬取

如果我们只想让Googlebot爬取我们的/private/目录，但是不允许其他搜寻蜘蛛爬取，我们可以这样使用：

User-agent: *

Disallow: /

User-agent: Googlebot

Disallow: /private/

当Googlebot读取我的robots.txt文件时，会去理解文件内容，不会禁止全部目录的爬取。