如何利用robots文件提高动态网站的抓取效率？

动态网站并不值得担心，搜索引擎可以正常抓取动态链接，但利用robots文件可以轻松提高动态网站的抓取效率。我们都知道，robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。Robots协议的本质是网站和搜索引擎爬虫的沟通方式，用来指导搜索引擎更好地抓取网站内容。

百度官方是推荐所有的网站都使用robots文件，以便更好地利用蜘蛛的抓取。其实robots不仅仅是告诉搜索引擎哪些不能抓取，更是网站优化的重要工具之一。

robots文件实际上就是一个txt文件。其基本的写法如下：

User-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符

Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录　

Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录　

Disallow: /ABC/ 这里定义是禁止爬寻ABC目录下面的目录　

Disallow: /cgi-bin/*.htm 禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。　

Disallow: /*?* 禁止访问网站中所有的动态页面　

Disallow: /.jpg$ 禁止抓取网页所有的.jpg格式的图片　

Disallow:/ab/adc.html 禁止爬取ab文件夹下面的adc.html文件。　

Allow: /cgi-bin/　这里定义是允许爬寻cgi-bin目录下面的目录　

Allow: /tmp 这里定义是允许爬寻tmp的整个目录　

Allow: .htm$ 仅允许访问以".htm"为后缀的URL。　

Allow: .gif$ 允许抓取网页和gif格式图片

在网站优化方面，利用robots文件告诉搜索引擎哪些是重要的内容，不重要的内容均推荐用robots文件来禁止抓取。不重要的内容的典型代表：网站的搜索结果页面。

对于静态网站来说，我们可以利用Disallow: /*?*来禁止动态页面抓取。但对于动态网站来说，就不能简单地这样做了。不过对于动态网站的站长来说，也无需过于担心，搜索引擎现在可以正常地抓取动态页面。那么在写的时候，就要注意了，我们可以具体到搜索文件的名称来写。比如你的站是search.asp?后面一大串，那么可以这样写：

Disallow: /search.asp?*

这样就可以屏蔽搜索结果页面了，写好了可以到百度站长平台检测robots一下，看看有没有错误！可以输入网址检测一下，是不是正常生效了。

在这里吴晓阳建议动态网站的站长，一定要用robots文件屏蔽不重要的内容动态链接，提高蜘蛛的抓取效率！

本文出处：吴晓阳目录http://wuxiaoyang.com/reed/post/294.html

标签：

版权申明：本站文章部分自网络，如有侵权，请联系：west999com@outlook.com
特别注意：本站所有转载文章言论不代表本站观点，本站所提供的摄影照片，插画，设计作品，如需使用，请与原作者联系，版权归原作者所有