WordPress的robots.txt配置，可以借鉴一下

前言

最近 Google 的英文检索一直找不到我的网站首页，不知道是出了什么问题，偶尔检索到也是在第五第六位，有时候又突然不见了，Google Search Console 上也没看出有什么问题。之前一直是用的 XML-Sitemap 这个插件来管理网站的 sitemap，其中又关于 robots.txt 的内容也没仔细看，这两天在 Google Search Console 上看到了 robots.txt 的相关内容，就去了解并自己配置了一下。

什么是 robots.txt

robots.txt 搜索引擎爬虫程序抓取网页时要访问的第一个文件，robots.txt 文件规定了搜索引擎抓取工具可以/无法请求抓取您网站上的哪些网页或文件。此文件主要用于使您的网站避免收到过多请求；它并不是一种用于阻止搜索引擎访问某个网页的机制。 通过 robots.txt 文件，可以和各大搜索引擎很友好的对话，引导搜索引擎爬虫程序抓取你推荐的网页，避免一些意义不大或无用网页，例如网站后台、会员交互功能等，这在一定程度上也节省服务器网络资源。另外，robots.txt 文件对SEO的意义也很重要，可以很好的避免重复、相似网页，以及一些关键字权重流失；写好 robots.txt 文件，是每个 SEOer 必做的功课之一。

如何写 robots.txt

WordPress 默认有一个虚拟的 robots.txt，当你的网站根目录不存在 robots.txt 这个文件的时候，这个虚拟文件就会生效，它大概是这样的：

User-agent: *
Disallow: /wp-admin/
Allow: /wp-admin/admin-ajax.php

在 robots.txt 中只有三个配置参数：User-agent、Disallow 和 Allow。
1. User-agent：该项的值用于描述搜索引擎 Robot 的名称，至少要有一条 User-agent 记录；如果 User-agent 的值为 *，则表示该协议对所有搜索引擎Robot都有效；
2. Disallow： 该项的值用于描述不希望被爬虫程序访问到的一个 URL，这个 URL 可以是一条完整的路径，也可以是部分的，任何以 Disallow 开头的URL均不会被 爬虫程序访问到；
3. Allow：该项和 Disallow 对立，表示允许搜索引擎 Robot 访问指定内容。

常见的搜索引擎爬虫程序名称：

• Baiduspider http://www.baidu.com
• ia_archiver http://www.alexa.com
• Googlebot http://www.google.com
• Scooter http://www.altavista.com
• FAST-WebCrawler http://www.alltheweb.com
• Slurp http://www.inktomi.com
• MSNBOT http://search.msn.com

注意 Disallow: /test 和 Disallow: /test/ 的区别，虽说只区别于一个反斜杠 /，不过意义完全不同。Disallow: /test 表示可以禁止的 URL 包括：/test、/testabc.html、/test/abc这三种形式；Disallow: /test/ 则允许爬虫访问 /test、/testabc.html，禁止访问 /test/abc 这种形式。如果 Disallow 记录的值为空，即 Disallow:格式，则说明该网站的所有内容可以被任何搜索引擎爬虫抓取；在 robots.txt 文件，如果有声明 User-agent，至少要有一条 Disallow 记录。

在 robots.txt 中还可以向搜索引擎提交自己的站点地图，只要在其中添加一条记录 https://yourdomain/sitemap.xml。

我当前的 robots.txt 的内容如下：

User-agent: *
Disallow: /wp-admin/
Disallow: /wp-includes/
Disallow: /wp-content/
Disallow: /feed
Disallow: /editormd
Disallow: /page
Disallow: /xmlrpc.php
Disallow: /wp-*.php
Disallow: /?s=*
Disallow: /s/*/page
Disallow: /s/*/*/page
Disallow: /*/*/page
Disallow: /wp-*.php
Disallow: /author/clloz/page
Disallow: /tags/*/page
Allow: /wp-admin/admin-ajax.php

Sitemap: https://www.cn-iptv.com/sitemap.xml

总结

robots.txt 也存在一些限制，下面是 Google 给出的建议：
– 并非所有搜索引擎都支持 robots.txt 指令
robots.txt 文件中的命令并不能强制抓取工具对您的网站采取的行为；是否遵循这些命令由抓取工具自行决定。Googlebot 和其他正规的网页抓取工具都会遵循 robots.txt 文件中的命令，但其他抓取工具未必也会如此。因此，如果您想确保自己网站上的特定信息不会被网页抓取工具抓取，需要采用其他屏蔽方法（如为服务器上的隐私文件提供密码保护）。
– 不同的抓取工具对语法的解析各不相同
虽然正规的网页抓取工具会遵循 robots.txt 文件中的指令，但这些抓取工具可能会以不同的方式来解析这些指令。
– 如果其他网站上有链接指向被 robots.txt 文件屏蔽的网页，则此网页仍可能会被编入索引
尽管 Google 不会抓取被 robots.txt 屏蔽的内容或将其编入索引，但如果网络上的其他位置有链接指向被禁止访问的网址，我们仍可能会找到该网址并将其编入索引。因此，相关网址和其他公开显示的信息（如相关页面链接中的定位文字）仍可能会出现在 Google 搜索结果中。要正确阻止您的网址出现在 Google 搜索结果中，您应为您服务器上的文件设置密码保护，或者使用 noindex 元标记或响应标头（或者彻底移除网页）。