如何使用robots.txt阻止搜尋引擎爬(抓取)你的網站?

為了你的網站可以被別人搜尋到，搜尋引擎爬蟲，有時也稱為搜尋機器人(bots)或是搜尋蜘蛛(spiders)，會爬取你的網站，搜尋有變動的內容並且重新更新搜尋引擎的搜尋檢索。

如何用robts.txt 這個檔案去控制搜尋蜘蛛

網站站長可以使用robots.txt這個文件，來指導搜尋蜘蛛應該如何爬取這個網站，當搜尋引擎爬取網站時，會先讀取robots.tx 文件，並且依照規則爬取網站。

※ robots.txt 規則雖然是重要的，但是搜尋機器人不一定會遵守 robot.txt 規則，它只是一個執行方針。
※ 以Google而言，要設定Crawl-delay，是必須在Google管理工具裡設定。
※ 對於浮濫爬取你的網站的劣質搜尋蜘蛛，應該研究如何憑藉.htaccess裡的User-agent去阻擋不好的搜尋蜘蛛。

編輯與創建robots.txt 文件

Robots.txt 文件是必須放在網站根目錄裡，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

伺服器位置：

/home/userna5/public_html/robots.txt

如果沒有這個檔案的話，你可以使用純文件檔案建立一個新的robots.txt文件。

搜尋引擎的使用者代理

以搜尋引擎蜘蛛的User-agent來說，使用robots.txt文件來控制，是最普通的規範方式。

當搜尋蜘蛛爬取網站時，他們會以使用者代理User-agent來識別、以下提供些參考範例

前三名美國最常發現的搜尋引擎使用者代理：

Googlebot
Yahoo! Slurp
bingbot

最常被阻擋的搜尋引擎使用者代理：

AhrefsBot
Baiduspider
Ezooms
MJ12bot
YandexBot

搜尋引擎蜘蛛是會以robots.txt文件規則來抓取網站

robots.txt 文件有許多的規則，可以控制搜尋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*是萬用搭配於全部的User-agent。

Disallow:設定檔案或是資料夾，不允許被搜尋蜘蛛爬取。

設定全部搜尋引擎延遲爬取

如果你的網站有1000頁，搜尋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超過負荷，導致網頁無法瀏覽。

延遲30秒的時間，將允許搜尋蜘蛛在8.3小時內檢索1000張網頁。

延遲500秒的時間，將允許搜尋蜘蛛在5.8天內檢索1000張網頁。

你也可以設定Crawl-delay：所有的搜尋蜘蛛立即搜尋。

User-agent: *
Crawl-delay: 30

允許搜尋蜘蛛爬取全部網站

在預設空白情況下，搜尋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:

不允許搜尋蜘蛛爬取全部網站

User-agent: *
Disallow: /

不允許搜尋蜘蛛爬取特定一個網站

你可以運用這些規則，不允許特定的搜尋引擎蜘蛛爬取你的網站。

User-agent: Baiduspider
Disallow: /

不允許全部搜尋蜘蛛爬取特定的檔案

如果有些檔案如contactus.htm, index.htm, 或是store.htm我們不想要搜尋蜘蛛爬取，我可以使用：

User-agent: *
Disallow: /contactus.htm
Disallow: /index.htm
Disallow: /store.htm

除了指定的以外，不允許全部搜尋蜘蛛爬取

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

User-agent: *
Disallow: /
User-agent: Googlebot
Disallow: /private/

當Googlebot讀取我的robots.txt文件時，會去理解文件內容，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(使用標籤來阻擋搜尋蜘蛛檢索網頁)

歡迎推廣本文，請務必連結(LINK)本文出處：新視野網頁設計