关于Robots.txt，相信大部分WordPress站长对其都不会感到陌生，一个规范的Robots.txt对于WordPress网站SEO优化来说至关重要。该文件主要用于告诉搜索引擎爬虫，网站哪些页面可以爬取，哪些页面不可以。
我们曾经在“如何编写和优化WordPress网站的Robots.txt”对Robots.txt进行了详细地介绍，不过，今天这篇文章将会更加详细，也易于站长解读及更好地利用Robots.txt文件。
Robots.txt 是网站中最简单的一个文件，但同时也是最容易出错的。仅仅是一个字符的错误可能会影响你的SEO效果、阻碍搜索引擎抓取你网站中的有效内容。
robots.txt文件的配置错误经常发生，即使经验丰富的SEO人员也是如此。
在这篇教程中你将会学到:
- Robots.txt文件是什么
- Robots.txt长什么样
- Robots.txt中的用户代理和指令
- 什么时候你需要robots.txt文件
- 如何找到你的robots.txt文件
- 如何建立一个robots.txt文件
- Robots.txt的最佳做法
- Robots.txt文件示例
- 如何检测robots.txt文件中的问题
Robots.txt文件是什么？
Robots.txt文件是用来告诉搜索引擎，网站上的哪些页面可以抓取，哪些页面不能抓取。
首先，它列出了你想从搜索引擎（如Google）中排除的所有内容。你还可以告诉某些搜索引擎（非Google）应该如何抓取网站的内容。
重要提示
大多数搜索引擎都会遵循规则，它们没有打破规则的习惯。换句话说，少部分的搜索引擎则会无视这些规则。
Google不是那些不守规矩的搜索引擎之一。他们遵守robots.txt文件中的声明。
只是我们知道有些搜索引擎完全忽略它。
Robots.txt长什么样？
以下是Robots.txt文件的基本格式：
Sitemap: [URL location of sitemap] User-agent: [bot identifier] [directive 1] [directive 2] [directive ...] User-agent: [another bot identifier] [directive 1] [directive 2] [directive ...]
如果你以前从未看过这些内容，你可能会觉得很难。但实际上，它的语法非常简单。简而言之，你可以通过在文件中指定user-agents（用户代理）和directives（指令）来为搜索引擎蜘蛛分配抓取规则。
让我们详细的讨论则两个组件。
User-agents（用户代理）
每个搜索引擎都有一个特定的用户代理。你可以在robots.txt文件中针对不同的用户代理分配抓取规则。总共大约有上百种用户代理（实际上，你只要安装Spider Analyser插件，即可轻松掌握都有哪些蜘蛛访问爬取您的网站。），以下是一些对SEO有用的用户代理：
- Google: Googlebot
- Google Images: Googlebot-Image
- Bing: Bingbot
- Yahoo: Slurp
- Baidu: Baiduspider
- DuckDuckGo: DuckDuckBot
小提示. robots.txt中的所有用户代理均严格区分大小写。
你也可以使用通配符（*）来一次性为所有的用户代理制定规则。
举个例子，假设你想屏蔽除了谷歌以外的搜索引擎蜘蛛，下面就是做法：
User-agent: * Disallow: / User-agent: Googlebot Allow: /
你需要知道，在 robots.txt文件中，你可以指定无数个用户代理。虽然这么说，每当你指定一个新的用户代理时，它都是独立的。换句话说，如果你陆续为多一个用户代理制定了规则，那么第一个用户代理的规则并不适用于第二个，或者时第三个。
有一个例外就是，如果你针对同一个用户代理制定了多次规则，那么这些规则则会被放在一起执行。
重要提示
蜘蛛只会遵循准确表明详细用户代理的指令。所以上方的 robots.txt文件只会排除除谷歌蜘蛛（以及其它类型的谷歌蜘蛛）以外的搜索引擎爬虫。谷歌蜘蛛会忽略一些不太具体的用户代理声明。
Directives（指令）
指令指的是你希望用户代理遵循的规则。
目前支持的指令
下面是谷歌目前支持的指令，以及它们的用法.
Disallow指令
使用此指令来规定搜索引擎不要访问特定路径的文件和页面。例如，如果你想阻止所有搜索引擎访问你的博客及其所有帖子，则robots.txt文件就像下方这样：
User-agent: * Disallow: /blog
小提示. 如果你再disallow指令后面没有给出详细的路径，那么搜索引擎就会忽略它。
Allow指令
使用此指令来规定搜索引擎需要访问特定路径的文件和页面——即使在一个被disallow指令屏蔽的路径中也可以使用。如果你屏蔽特定文章以外的所有文章页面，那么robots.txt应该像下方这样：
User-agent: * Disallow: /blog Allow: /blog/allowed-post
在这个例子中，搜索引擎可以访问： /blog/allowed-post. 但是它不能访问：
/blog/another-post/blog/yet-another-post/blog/download-me.pdf
谷歌和必应都支持这个指令。
小提示. 和disallow指令一样，如果你在allow指令之后没有声明路径，那么搜索引擎会忽略它。
有关规则冲突的说明
除非你非常的细心，否则部分情况disallow指令会与allow指令互相冲突。下方的这个例子，我们阻止了访问了这个页面
/blog/同时开放了这个页面/blog.User-agent: * Disallow: /blog/ Allow: /blog这个例子中，这个URL
/blog/post-title/似乎即被阻止了，又被允许了。那么到底是哪一个呢？对与谷歌和必应来说，它们会遵循指令字符较长的那一个，在这个例子中就是disallow指令。
Disallow: /blog/(6 字符)Allow: /blog(5 字符)如果disallow指令和allow指令长度一样，那么限制范围较小的指令会胜出，这种情况就是allow指令。
小提示. 这里,
/blog(没有斜杠为后缀) 是可以被抓取的。严格来说，这只适用于谷歌和必应搜索引擎。其它搜索引擎会遵循第一条指令，这种情况就是disallow指令。
Sitemap指令
使用此指令来标记你网站地图所的位置。如果你对网站地图不熟悉，它通常会包含你需要被搜索引擎抓取&索引的所有页面链接。
下面就是一个使用Sitemap指令的robots.txt文件：
Sitemap: https://www.domain.com/sitemap.xml User-agent: * Disallow: /blog/ Allow: /blog/post-title/
在robots.txt中注明sitemap指令有多么重要呢？如果你已经向谷歌提交了网站地图，那么这一步操作就可有可无。但是，对于其它搜索引擎，比如必应，就可以明确的告诉它你的网站地图在哪里，所以这一步还是很有必要的。
注意，你不需要针对不同的代理重复标注sitemap指令。所以最好的方法是将sitemap指令写在robots.txt的最开始或者最末尾，就像下方这样：
Sitemap: https://www.domain.com/sitemap.xml User-agent: Googlebot Disallow: /blog/ Allow: /blog/post-title/ User-agent: Bingbot Disallow: /services/
谷歌支持sitemap指令、同时Ask、必应、雅虎搜索引擎都支持。
小提示. 你可以在robots.txt中使用多条sitemap指令。
不再支持的指令
下面是一些谷歌不再支持的指令——部分因为技术原因一直都没有被支持过。
Crawl-delay指令
之前你可以使用这个指令来指定抓取间隔时间（秒）。比如，你希望谷歌蜘蛛再每次抓取之后等待5秒，那么你就需要将Crawl-delay指令设置为5：
User-agent: Googlebot Crawl-delay: 5
虽然这么说，在设置这个指令的时候你需要小心，尤其是你有一个大型网站的时候。如果你将Crawl-delay指令设置为5，那么每天蜘蛛最多只能抓取17,280个URL。如果你有上百万的页面，这个抓取量就非常的小了。反之，如果你是小型网站，则它可以帮你节省带宽。
Noindex指令
这个指令从来没有被谷歌支持过。但是直到最近，人们认为谷歌有一些“处理不受支持和未发布的规则的代码（例如noindex）”。所以如果你希望阻止谷歌索引你所有的博客页面，那么你可以使用这个指令：
User-agent: Googlebot Noindex: /blog/
但是同时，在2019年9月1号，谷歌明确表示这个指令不被支持。如果你想从搜索引擎中排除一个页面的话，使用meta robots标签、或者是x-robots HTTP头部指令。
Nofollow指令
这个指令谷歌也是从来没有从官方支持过的。曾经是用来阻止搜索引擎跟随某一个链接，或者是某个特殊的路径。比如，你想屏蔽谷歌跟随所有的博客链接，你可以这么设置指令：
User-agent: Googlebot Nofollow: /blog/
谷歌在2019年9月1号声明这个指令不会被支持。如果你想阻止搜索引擎跟随页面上的所有链接，那么你应该使用meta robots标签、或者是x-robots HTTP头部指令。如果你想指定一个链接不让谷歌跟随，那么你可以在特定链接中加入rel="nofollow"参数。
你需要一个Robots.txt文件吗？
对于一部分网站来说，有没有robots.txt其实无关痛痒，尤其是小网站。
虽然这么说，但是没有一个好的理由不去拥有它。它可以在搜索引擎访问网站的规则上给你一些额外的控制权，那么这可以帮助你：
- 防止抓取重复页面；
- 让网站在某个阶段不公开 (比如：在搭建网站雏形时);
- 防止抓取内部搜索页面;
- 防止服务器过载;
- 防止谷歌浪费crawl budget（抓取预算）;
- 防止部分图片、视频及其它资源展示在谷歌结果中。
请注意，尽管谷歌通常不会索引robots.txt中阻止的网页，但这无法保证使用robots.txt文件可以100%将其排除在搜索结果之外。
谷歌说过，如果内容从另外一个地方获得链接，那么依然有可能被呈现在搜索结果当中。
如何找到你的robots.txt文件？
如果你的网站已经有了robots.txt文件，那么你可以通过domain.com/robots.txt 这个链接进行访问。如果你看到有类似下方这样的信息，这就是你的robots.txt文件：
如何建立一个robots.txt文件？
如果你没有robots.txt文件的话，那么做一个也十分的简单。你只需要打卡一个空的.txt文件（记事本文件）然后按照要求填写指令。比如，你希望搜索引擎不抓取你的 /admin/ 目录，你可以像下方这样设置：
User-agent: * Disallow: /admin/
你可以继续添加指令，只要你满意为止，然后将文件保存为“robots.txt”。
除此之外，你还可以使用robots.txt生成工具来制作，比如Smart SEO Tool插件：
利用类似这样工具的优势就是，更加容易编辑管理。当然为了避免指令语法错误，建议任何工具生成的robots.txt都应该使用搜索引擎站长工具进行检验，比如百度资源管理平台。
这个非常重要，因为一个小的语法错误都会导致灾难性的后果，还是小心无大错比较好。
在哪里放置robots.txt文件呢？
将robots.txt文件放置在对应域名/子域名的根目录文件夹中。比如，如果你的网站使用的是domain.com，那么robots.txt就可以通过domain.com/robots.txt访问到。
如果你希望你控制二级域名的访问限制，比如blog.domain.com，那么它的robots.txt就需要通过blog.domain.com/robots.txt访问到才可以。
Robots.txt的最佳做法
牢记下方提示，可以避免不必要的错误：
每一个新指令都需要另起一行
每个指令都需要新起一行。否则会让搜索引擎产生误解：
错误示例:
User-agent: * Disallow: /directory/ Disallow: /another-directory/
标准示例:
User-agent: * Disallow: /directory/ Disallow: /another-directory/
使用通配符简化指令
你不仅可以使用通配符（*）将指令应用于所有用户代理，同时可以在声明指令时用来匹配雷同的URL。例如，如果你想防止搜索引擎访问网站上的参数化产品类别URL，可以像这样列出它们：
User-agent: * Disallow: /products/t-shirts? Disallow: /products/hoodies? Disallow: /products/jackets? …
但是这并不简洁，你可以利用通配符，简写成下方这样：
User-agent: * Disallow: /products/*?
这个例子就是屏蔽了所有的搜索引擎用户抓取 /product/ 目录下，所有包含问号（?）的链接。换句话说就是屏蔽了所有带有参数的产品链接。
使用美元符号（$）来标注以特定字符结尾的URL
在指令最后加入”$”。比如，如果你像屏蔽所有以 .pdf结尾的链接，那么你的可以这样设置你的 robots.txt：
User-agent: * Disallow: /*.pdf$
这个例子中，搜索引擎无法抓取任何以 .pdf 结尾的链接，意味着搜索引擎无法抓取 /file.pdf，但是搜索引擎可以抓取这个 /file.pdf?id=68937586，因为它没有以”.pdf“结尾。
相同的用户代理只声明一次
如果你多次声明相同的用户代理，谷歌虽然并不反对，依然可以结合在一起执行。比如，像下方这样…
User-agent: Googlebot Disallow: /a/ User-agent: Googlebot Disallow: /b/
… 谷歌蜘蛛不会抓取两个中任何一个目录。
虽然这么说，最好只声明一次，因为这不会产生困惑。换句话说，保持简单明了，可以让你不会出现致命的错误。
使用精准的指令避免以外的错误
如果不使用精准的指令，那么很可能会导致SEO中产生致命的错误。假设你现在有一个多语言的网站，正在操作一个德语版本的 /de/ 子目录。
因为还未完成，所以暂时你想阻止搜索引擎抓取这个目录内的内容。
下方的robots.txt文件可以屏蔽搜索引擎抓取这个目录以及下方的所有内容：
User-agent: * Disallow: /de
但是，同时这也阻止了搜索引擎抓取所有以 /de.开头的内容。
比如：
/designer-dresses//delivery-information.html/depeche-mode/t-shirts//definitely-not-for-public-viewing.pdf
这种情况，解决方法也很简单，只需要在后面加个斜杠：
User-agent: * Disallow: /de/
使用注释给开发者提供说明
使用注释功能，可以向开发者说明你的robots.txt指令的用途——很可能是未来的你自己。如果需要使用注释，只需要以（#）开头即可：
# This instructs Bing not to crawl our site. User-agent: Bingbot Disallow: /
蜘蛛会忽略所有以（#）开头的指令。
针对不同的子域名使用不同的robots.txt文件
Robots.txt只在当前所属的子域名中生效。如果你需要控制不同的子域名抓取规则，那么你就需要分开设置不同的robots.txt文件。
比如，你的主站运行在 domain.com 上，你的博客运行在 blog.domain.com 上。那么你就需要有两个robots.txt文件。一个是放在主站的根目录中，一个是放在博客站的根目录中。
Robots.txt文件示例
下方使一些 robots.txt的文件示例。这些主要是为了给你一些启发。但是如果碰巧符合你需求的，可以请将其复制粘贴到记事本文档中，另存为“ robots.txt”，然后将其上传到对应的根目录中。
允许所有蜘蛛访问
User-agent: * Disallow: /
小提示.在指令后没有声明URL会使该指令变得多余。换句话说，搜索引擎会忽略它。这就是为什么这里的disallow指令是无效的原因。搜索引擎仍然可以抓取所有页面和文件。
不允许任何蜘蛛访问
User-agent: * Disallow: /
针对所有蜘蛛屏蔽一个目录
User-agent: * Disallow: /folder/
针对所有蜘蛛，屏蔽一个目录（只保留一个页面）
User-agent: * Disallow: /folder/ Allow: /folder/page.html
针对所有蜘蛛，屏蔽一个文件
User-agent: * Disallow: /this-is-a-file.pdf
针对所有蜘蛛，屏蔽所有的pdf文件
User-agent: * Disallow: /*.pdf$
针对谷歌蜘蛛，屏蔽所有带参数URL
User-agent: Googlebot Disallow: /*?
如何检测robots.txt文件中的问题？
Robots.txt很容易出现错误，因此检测是十分有必要的。
为了检测robots.txt相关问题，你只需要查看 Search Console（谷歌资源管理器）中的 “Coverage（覆盖率）”报告。下面就是一些常见的错误，包括它们的含义以及解决方法：
是否需要检查与某个页面相关的错误？
将特定URL放入Search Console（谷歌资源管理器）的URL Inspection tool（网址检测）。如果被robots.txt屏蔽了，那么就会像下方这样显示：
小提示. 国内站长可以使用百度搜索资源平台提供的相关功能检测！
提交的URL被robots.txt屏蔽了
这意味着至少在你提交的Sitemap当中，至少有一条URL被robots.txt屏蔽了。
如果你是正确的创建了你的sitemap，并且不包含canonicalized（规范标签）、noindexed（指定不索引）、redirected（跳转）等页面，那么你提交的所有的链接都不应该被robots.txt屏蔽。如果被屏蔽了，调查受影响的页面，然后相应地调整robots.txt文件，删除阻止该页面的指令。
你可以使用谷歌的robots.txt检测工具或者百度搜索资源平台的robots文件检测来查看哪条指令在阻止访问。在修改的时候你需要小心，因为很容易就会影响到其它的页面以及文件。
被robots.txt屏蔽了
这代表，当前你有内容被robots.txt屏蔽了，但是暂时没有被谷歌索引。
如果这个内容很重要，并且需要被索引，删除robots.txt中的阻碍抓取的指令。（同时你得注意这个内容是否被索引标记标注为不索引状态）如果你需要屏蔽的内容也是不需要谷歌索引的话，那么你可以去掉屏蔽抓取的指令，然后使用meta robots标签、或者是x-robots HTTP头部指令进行屏蔽——这样就可以保证内容不被索引。
小提示.
如果想要将页面从索引中删除，必需先移除抓取阻碍。否则，谷歌无法抓取到页面的noindex（不索引）标记、或是HTTP头部指令——这样只会让搜索引擎保持原有的索引状态。
索引但是被robots.txt屏蔽
这意味着虽然一部分内容被robots.txt屏蔽了，但是依然是被谷歌索引的。
同样道理，如果你希望从搜索引擎中去除该内容，robots.txt并不是最好的选择。移除抓取阻碍，并使用meta robots标记、或者是x-robots HTTP头部指令防止被索引。
如果你是不小心屏蔽了这个内容，并且希望内容被谷歌索引的话，只需要在robots.txt中移除阻碍索引的指令即可。这样可以帮助你的内容更好的展现在谷歌当中。
FAQs
下面是经常被问到的，但是并没有涵盖在上方内容中的一些问题。你可以在评论中留下你的问题，我们会根据情况进行更新。
（1）robots.txt文件大小最大是多少？
500 千字节 (大概).
（2）WordPress中的robots.txt在哪里？
例子: domain.com/robots.txt.
（3）如何在Wordpress当中编辑robots.txt?
你可以手动编辑，或者使用WordPress SEO优化插件其中的一个。比如像Smart SEO Tool，它可以让你直接在后台编辑robots.txt文件。
如果我通过robots.txt屏蔽了不索引的页面有什么影响？
谷歌则无法看到你noindex的标记，因为它无法抓取这个信息。
最后的想法
Robots.txt是一个简单、但是很强大的我呢见。明智地使用它，可以对SEO产生积极影响。随意使用它，可能会造成灾难性的后果。
（via ahrefs.com 译者，Park Cheng，文章有改动）
评论留言