2008年04月02日 by 樂思蜀
使用WordPress搭建的博客，利用robots.txt文件限制搜索引擎抓取部分目录及文件，归纳大致有以下几种方法。
最简单的开放写法
不作任何限制，WordPress站内链接结构比较合理，作为一般博客，完全开放就可以了，代码：
User-agent: *
Disallow:
允许所有蜘蛛访问，允许访问所有内容。WordPress只要模板中链接设计合理，没有需要限制的特殊内容，推荐使用这种写法。
最简单的严格写法
User-agent: *
Disallow: /wp-*
#Allow: /wp-content/uploads/
Disallow: /*.php$
Disallow: /*.inc$
Disallow: /*.js$
Disallow: /*.css$
Disallow: /?s=
允许所有蜘蛛访问，限制以“wp-”开头的目录及文件，限制抓取.php文件、.inc文件、.js文件、.css文件，限制抓取搜索结果。
Disallow: /wp-* 会连同附件目录一起限制抓取，如果想让搜索引擎抓取附件中的内容，将第三行的 # 号注释去掉。Allow 不是所有搜索引擎都支持。
最合理的写法
卖瓜的都说自己瓜甜，我也觉得自己的Robots.txt写的最合理 
User-agent: *
Disallow: /wp-admin
Disallow: /wp-content/plugins
Disallow: /wp-content/themes
Disallow: /wp-includes
Disallow: /?s=
Sitemap: http://www.lesishu.com/sitemap.xml
允许所有搜索引擎抓取，逐一列举需要限制的目录，限制抓取搜索结果。
包含sitemap.xml地址（这一项viki中有专门的说明，但Google管理员工具会提示‘检测到无效的 Sitemap 引用’，有效性尚有争议）。
robots.txt其他写法
为避免在搜索引擎中出现重复页面，WordPress玩家自创了很多robots写法，列举一些常用的，作为参考（适用于伪静态方式的永久链接）：
Disallow: /page/
#限制抓取WordPress分页
Disallow: /category/*/page/*
#限制抓取分类的分页
Disallow: /tag/
#限制抓取标签页面
Disallow: */trackback/
#限制抓取Trackback内容
Disallow: /category/*
#限制抓取所有分类列表
最后，推荐使用 Google管理员工具，登录后访问“工具 -> 分析 robots.txt”，检查文件有效性。
2007年11月09日 by 樂思蜀
今天一天之内，准确的说相隔不到3个小时，就有两个朋友在QQ上让我帮他看看网站，为什么搜索引擎不收录。从我个人角度来看，他们的站做的还不错，除了个别地方（如有几页标题相同之类）不够，没有导致不收录的因素。最后一查看robots.txt，“Disallow: /”。
回想起来，找我咨询的朋友中，还真有不少的一部分都是这样的问题，所以写出来，供不熟悉的朋友参考。
1、robots.txt是什么？
robots.txt是一个纯文本文件，用来告诉网络蜘蛛（不仅限搜索引擎蜘蛛）本站中哪些位置允许抓取，哪些位置不允许抓取。
2、如何正确放置robots.txt？
首先，robots.txt文件必须放置在网站根目录；有域名指向到次目录，在次目录放置的robots.txt文件只对此域名有效。
其次，文件名必须小写，如Robots.txt、roBots.txt、robots.TXT都是错误的。
3、robots.txt内容应该如何写？
文件应该同时包含2个域，“User-agent:”和“Disallow:”，每条指令独立一行。
(1)User-agent:
指定允许哪些蜘蛛抓取，如果给出参数，则只有指定的蜘蛛能够抓取；如值为通配符“*”号，代表允许所有蜘蛛抓取。如：
User-agent: Googlebot
只允许Google的蜘蛛抓取；
User-agent: *
允许所有蜘蛛抓取。
注意：User-agent必须出现在第一行（有意义的行，注释除外），首先声明用户代理。
(2)Disallow:
指定禁止蜘蛛抓取的目录或文件，如：
Disallow: /help.php
禁止抓取根目录下help.php文件；
Disallow: /admin/
禁止抓取根目录下的admin子目录中任何内容；
Disallow:
值为空时，表示不限制，蜘蛛可以抓取站内任何内容。
如果需要指定多个目录或文件，可以用多个“Disallow: 文件或目录名”来指定，但必须每一项单独一行。
这就是前面说到的那两位朋友网站robots.txt的问题，他们用“Disallow: /”禁止了蜘蛛抓取根目录下的所有内容。
4、robots.txt需要注意的几个问题：
- robots.txt文件中任意一行Disallow的值为空，其他指定的项都将失效，整站允许User-agent指定的蜘蛛抓取；
- robots.txt文件中允许使用注释，以“#”开头的内容被认作注释；但注释最好独立成一行，尽量不要加在参数后面，如“Disallow: /admin/ #manage dir”，某些蜘蛛可能将注释当作值的一部分。
- 尽量不要在一行的前面出现空格，如“ Disallow: /”，可能某些蜘蛛无法正确读取。
- 推荐一个robots.txt检查工具：http://tool.motoricerca.info/robots-checker.phtml
5、将你的XML格式Sitemap地址放到robots.txt中
Robin新发现，并率先在国内提出的，大家可以到点石博客中下载Robin的“网站如何被高效索引”演讲稿阅读。
加入Sitemap地址的作用是，如果搜索引擎蜘蛛能够识别此行，就能快速获知网站的XML地图文件地址，并将地图文件作为一个URL参考进行高效索引（具体哪些搜索引擎蜘蛛能够识别目前我还不清楚）。
如樂思蜀SEO博客的robots.txt，紧接着User-agent的第二行：
Sitemap: http://www.lesishu.com/sitemap.xml
此处之前的内容，将Sitemap放在第一行的说法错误，特此更正。
robots Meta标签
robots.txt是放在网站中，文件级的网络蜘蛛授权；而robots Meta标签是放在网页中，一般用于部分网页需要单独设置的情况下。两者的功能是一样的。
Meta robots标签必须放在<head>和</head>之间，格式：
<meta name="robots" content="index,follow" />
content中的值决定允许抓取的类型，必须同时包含两个值：是否允许索引（index）和是否跟踪链接（follow，也可以理解为是否允许沿着网页中的超级链接继续抓取）。共有4个参数可选，组成4个组合：
- index,follow：允许抓取本页，允许跟踪链接。
- index,nofollow：允许抓取本页，但禁止跟踪链接。
- noindex,follow：禁止抓取本页，但允许跟踪链接。
- noindex,nofllow：禁止抓取本页，同时禁止跟踪本页中的链接。
以上1和4还有另一种写法：
index,follow可以写成all，如：
<meta name="robots" content="all" />
noindex,nofollow可以写成none，如：
<meta name="robots" content="none" />
需要注意的是，robots Meta标签很多搜索引擎是不支持的，只有少数搜索引擎能够识别并按给定的值抓取。所以，尽可能的使用robots.txt文件来限制抓取。
最后，给大家一个建议，不要太刻意的在robots.txt中设置过多禁止文件或目录，只设置确实不希望被搜索引擎索引的目录和文件就可以了。
特别是在不清楚文件或目录的作用时，不要轻易禁止抓取。前阵一位做旅游的朋友，网站中有大量的旅游景点图片，几大搜索引擎中却都没有索引，后来对网站检查时发现图片目录upload在管理目录admin下，被robots.txt禁止抓取了。
虽然网上关于robots的文章已经很多了，发现都不尽全面，整理了一下供参考。
