Полезно знать

Использование robots.txt

  1. Что такое файл robots.txt
  2. Как создать robots.txt
  3. Директива User-agent.
  4. Использование директив Disallow и Allow.
  5. Использование спецсимволов “*” и “$”.
  6. Директива Sitemap.
  7. Директива Host.
  8. Директива Crawl-delay.
  9. Директива Clean-param.
  10. Дополнительная информация.
  1. Что такое файл robots.txt

    Robots.txt — текстовый файл, расположенный на сайте, который предназначен для роботов поисковых систем. В этом файле веб-мастер может указать параметры индексирования своего сайта как для всех роботов сразу, так и для каждой поисковой системы по отдельности.

  2. Как создать robots.txt

    Воспользуйтесь любым текстовым редактором (например, Блокнотом или WordPad’ом), создайте файл с именем “robots.txt” и заполните его в соответствии с представленными ниже правилами. После этого необходимо загрузить файл в корневой каталог вашего сайта.

    Чтобы проверить правильность обработки вашего файла robots.txt, воспользуйтесь анализатором файла robots.txt.

  3. Директива User-agent.

    Управлять доступом робота Яндекса к вашему сайту вы можете при помощи файла robots.txt, который должен быть размещен в корневой директории сайта. Робот Яндекса поддерживает стандарт описания http://www.robotstxt.org/wc/norobots.html с расширенными возможностями, описанными ниже.

    В роботе Яндекса используется сессионный принцип работы, на каждую сессию формируется определенный пул страниц, которые планирует закачать робот. Сессия начинается с закачки robots.txt сайта, если его нет, он не текстовый или на запрос робота возвращается HTTP-код отличный от ‘200’, считается, что доступ роботу не ограничен. В самом robots.txt проверяется наличие записей, начинающихся с ‘User-agent:’, в них ищутся подстроки ‘Yandex’, либо ‘*’ (регистр значения не имеет), причем, если обнаружено ‘User-agent: Yandex’, директивы для ‘User-agent: *’ не учитываются. Если записи ‘User-agent: Yandex’ и ‘User-agent: *’ отсутствуют, считается, что доступ роботу не ограничен.

  4. Использование директив Disallow и Allow.

    Чтобы запретить доступ робота к некоторым частям сайта или сайту целиком, используйте директиву ‘Disallow’. Примеры:

    User-agent: Yandex
    Disallow: / # блокирует доступ ко всему сайту
    
    User-agent: Yandex
    Disallow: /cgi-bin # блокирует доступ к страницам
                       #начинающимся с '/cgi-bin'

    Примечание:

    Недопустимо наличие пустых переводов строки между директивами ‘User-agent’ и ‘Disallow’ (‘Allow’), а также между самими ‘Disallow’ (‘Allow’) директивами.

    Кроме того, в соответствии со стандартом перед каждой директивой ‘User-agent’ рекомендуется вставлять пустой перевод строки.

    Символ ‘#’ предназначен для описания комментариев. Все, что находится после этого символа и до первого перевода строки не учитывается.

    Чтобы разрешить доступ робота к некоторым частям сайта или сайту целиком, используйте директиву ‘Allow’. Примеры:

    User-agent: Yandex
    Allow: /cgi-bin
    Disallow: /
    # запрещает скачивать все, кроме страниц
    # начинающихся с '/cgi-bin'

    Совместное использование директив.

    Если для данной страницы сайта подходит несколько директив, то выбирается первая в порядке появления в выбранном User-agent блоке. Примеры, если:

    User-agent: Yandex
    Allow: /cgi-bin
    Disallow: /
    # запрещает скачивать все, кроме страниц
    # начинающихся с '/cgi-bin'
    User-agent: Yandex
    Disallow: /
    Allow: /cgi-bin
    # запрещает скачивать весь сайт

    Директивы Allow-Disallow без параметров.

    Отсутствие параметров у директивы трактуется следующим образом:

    User-agent: Yandex
    Disallow: # тоже что и Allow: /
    
    User-agent: Yandex
    Allow: # тоже что и Disallow: /
  5. Использование спецсимволов “*” и “$”.

    При указании путей директив Allow-Disallow можно использовать спецсимволы ‘*’ и ‘$’, задавая, таким образом, определенные регулярные выражения. Спецсимвол ‘*’ означает любую (в том числе пустую) последовательность символов. Примеры:

    User-agent: Yandex
    Disallow: /cgi-bin/*.aspx # запрещает '/cgi-bin/example.aspx'
                              # и '/cgi-bin/private/test.aspx'
    Disallow: /*private # запрещает не только '/private',
                        # но и '/cgi-bin/private'

    Спецсимвол ‘$’.

    По умолчанию к концу каждого правила, описанного в robots.txt, приписывается ‘*’, например:

    User-agent: Yandex
    Disallow: /cgi-bin* # блокирует доступ к страницам
                        # начинающимся с '/cgi-bin'
    Disallow: /cgi-bin # то же самое

    чтобы отменить ‘*’ на конце правила, можно использовать спецсимвол ‘$’, например:

    User-agent: Yandex
    Disallow: /example$ # запрещает '/example',
                        # но не запрещает '/example.html'
    User-agent: Yandex
    Disallow: /example # запрещает и '/example',
                       # и '/example.html'
    User-agent: Yandex
    Disallow: /example$ # запрещает только '/example'
    Disallow: /example*$ # так же, как 'Disallow: /example'
                         #запрещает и /example.html и /example
  6. Директива Sitemap.

    Если вы используете описание структуры вашего сайта в формате sitemaps.xml, и хотите, чтобы робот узнал о ней, укажите путь к sitemaps.xml, в качестве параметра директивы ‘Sitemap’ (если файлов несколько, укажите все), примеры:

    User-agent: Yandex
    Allow: /
    Sitemap: http://mysite.ru/site_structure/my_sitemaps1.xml
    Sitemap: http://mysite.ru/site_structure/my_sitemaps2.xml

    или

    User-agent: Yandex
    Allow: /
    
    User-agent: *
    Disallow: /
    
    Sitemap: http://mysite.ru/site_structure/my_sitemaps1.xml
    Sitemap: http://mysite.ru/site_structure/my_sitemaps2.xml

    Робот запомнит пути к sitemaps.xml, обработает файлы и будет использовать результаты при последующем формировании сессий закачки.

  7. Директива Host.

    Если ваш сайт имеет зеркала, специальный робот зеркальщик определит их и сформирует группу зеркал вашего сайта. В поиске будет участвовать только главное зеркало. Вы можете указать его у всех зеркал при помощи robots.txt, используя директиву ‘Host’, определив в качестве ее параметра имя главного зеркала. Директива ‘Host’ не гарантирует выбор указанного главного зеркала, тем не менее, алгоритм при принятии решения учитывает ее с высоким приоритетом. Пример:

    #Если www.glavnoye-zerkalo.ru главное зеркало сайта, то
    #robots.txt для всех сайтов из группы зеркал выглядит так
    User-Agent: *
    Disallow: /forum
    Disallow: /cgi-bin
    Host: www.glavnoye-zerkalo.ru

    Важно: в целях совместимости с роботами, которые не полностью следуют стандарту при обработке robots.txt, директиву ‘Host’ необходимо добавлять в группе, начинающейся с записи ‘User-Agent’, непосредственно после директив ‘Disallow'(‘Allow’). Аргументом директивы ‘Host’ является доменное имя с номером порта (80 по умолчанию), отделенным двоеточием.

    #Пример корректно составленного robots.txt, при обработке
    #которого директива Host учитывается
    User-Agent: *
    Disallow:
    Host: www.myhost.ru
    
    #Примеры некорректно составленных robots.txt, при обработке
    #которых директива Host может не учитываться
    #1.
    User-Agent: *
    Host: www.myhost.ru
    
    #2.
    Host: www.myhost.ru
    
    #3.
    User-Agent: *
    Host: www.myhost.ru
    Disallow: 
    
    #4.
    Host: www.myhost.ru
    User-Agent: *
    Disallow:

    Важно: параметр директивы Host обязан состоять из одного корректного имени хоста (т.е. соответствующего RFC 952 и не являющегося IP-адресом) и допустимого номера порта. Некорректно составленные строчки ‘Host:’ игнорируются.

    # Примеры игнорируемых директив Host
    Host: www.myhost-.ru
    Host: www.-myhost.ru
    Host: www.myhost.ru:100000
    Host: www.my_host.ru
    Host: .my-host.ru:8000
    Host: my-host.ru.
    Host: my..host.ru
    Host: www.myhost.ru/
    Host: www.myhost.ru:8080/
    Host: http://www.myhost.ru
    Host: 213.180.194.129
    Host: www.firsthost.ru,www.secondhost.ru
    Host: www.firsthost.ru www.secondhost.ru

    Примеры использования директивы Host:

    # domen.myhost.ru является главным зеркалом
    # www.domen.myhost.ru, тогда корректное использование
    # директивы Host такое:
    User-Agent: *
    Disallow:
    Host: domen.myhost.ru
    
    # domen.myhost.ru является главным зеркалом
    # www.domen.myhost.ru, тогда некорректное использование
    # директивы Host такое:
    User-Agent: *
    Disallow:
    Host: myhost.ru
  8. Директива Crawl-delay.

    Если сервер сильно нагружен и не успевает отрабатывать запросы на закачку, воспользуйтесь директивой “Crawl-delay”. Она позволяет задать поисковому роботу минимальный период времени (в секундах) между концом закачки одной страницы и началом закачки следующей. В целях совместимости с роботами, которые не полностью следуют стандарту при обработке robots.txt, директиву “Crawl-delay” необходимо добавлять в группе, начинающейся с записи “User-Agent”, непосредственно после директив “Disallow” (“Allow”).

    Поисковый робот Яндекса поддерживает дробные значения Crawl-Delay, например, 0.5. Это не гарантирует, что поисковый робот будет заходить на ваш сайт каждые полсекунды, но дает роботу больше свободы и позволяет ускорить обход сайта.

    Примеры:

    User-agent: Yandex
    Crawl-delay: 2 # задает таймаут в 2 секунды
    
    User-agent: *
    Disallow: /search
    Crawl-delay: 4.5 # задает таймаут в 4.5 секунды
    
  9. Директива Clean-param.

    Если адреса страниц вашего сайта содержат динамические параметры которые не влияют на их содержимое (например: идентификаторы сессий, пользователей, рефереров и т.п.), вы можете описать их при помощи директивы ‘Clean-param’. Робот Яндекса, используя эту информацию, не будет многократно перезакачивать дублирующуюся информацию. Таким образом, увеличится эффективность обхода вашего сайта, снизится нагрузка на сервер.

    Например, на сайте есть страницы:

    www.site.ru/some_dir/get_book.pl?ref=site_1&book_id=123
    www.site.ru/some_dir/get_book.pl?ref=site_2&book_id=123
    www.site.ru/some_dir/get_book.pl?ref=site_3&book_id=123

    параметр ‘ref=’ используется только для того, чтобы отследить с какого ресурса был сделан запрос и не меняет содержимое, по всем трем адресам будет показана одна и та же страница с книгой ‘book_id=123’. Тогда, если в robots.txt указать:

    Clean-param: ref /some_dir/get_book.pl

    вот так:

    User-agent: Yandex
    Disallow:
    Clean-param: ref /some_dir/get_book.pl

    робот Яндекса сведет все адреса страницы к одному:

    www.site.ru/some_dir/get_book.pl?ref=site_1&book_id=123,
    

    Если на сайте доступна страница без параметров:

    www.site.ru/some_dir/get_book.pl?book_id=123

    То все сведется именно к ней, когда она будет проиндексирована роботом. Другие страницы вашего сайта будут обходиться чаще, так как нет необходимости обновлять страницы:

    www.site.ru/some_dir/get_book.pl?ref=site_2&book_id=123
    www.site.ru/some_dir/get_book.pl?ref=site_3&book_id=123

    Синтаксис использования директивы:

    Clean-param: p0[&p1&p2&..&pn] [path]

    В первом поле через ‘&’ перечисляются параметры, которые нужно не учитывать. Во втором поле указывается префикс пути страниц, для которых нужно применить правило.

    Примечание:

    Префикс может содержать регулярное выражение в формате, аналогичном robots.txt, но с некоторыми ограничениями: можно использовать только символы A-Za-z0-9.-/*_. При этом * трактуется так же, как в robots.txt. В конец префикса всегда неявно дописывается ‘*’, то есть:

    Clean-param: s /forum/showthread.php

    означает, что параметр s будет считаться незначащим для всех url-ов, начинающихся с /forum/showthread.php. Второе поле указывать необязательно, в этом случае правило будет применяться для всех страниц сайта. Регистр учитывается. Действует ограничение на длину правила — 500 символов. Например:

    Clean-param: abc /forum/showthread.php
    Clean-param: sid&sort /forumt/*.php
    Clean-param: someTrash&otherTrash

    Дополнительные примеры:

    #для адресов вида:
    www.site1.ru/forum/showthread.php?s=681498b9648949605&t=8243
    www.site1.ru/forum/showthread.php?s=1e71c4427317a117a&t=8243
    #robots.txt будет содержать:
    User-agent: Yandex
    Disallow:
    Clean-param: s /forum/showthread.php
    #для адресов  вида:
    www.site2.ru/index.php?page=1&sort=3a&sid=2564126ebdec301c607e5df
    www.site2.ru/index.php?page=1&sort=3a&sid=974017dcd170d6c4a5d76ae
    #robots.txt будет содержать:
    User-agent: Yandex
    Disallow:
    Clean-param: sid /index.php
    #если таких параметров несколько:
    www.site1.ru/forum_old/showthread.php?s=681498605&t=8243&ref=1311
    www.site1.ru/forum_new/showthread.php?s=1e71c417a&t=8243&ref=9896
    #robots.txt будет содержать:
    User-agent: Yandex
    Disallow:
    Clean-param: s&ref /forum*/showthread.php
    #если параметр используется в нескольких скриптах:
    www.site1.ru/forum/showthread.php?s=681498b9648949605&t=8243
    www.site1.ru/forum/index.php?s=1e71c4427317a117a&t=8243
    #robots.txt будет содержать:
    User-agent: Yandex
    Disallow:
    Clean-param: s /forum/index.php
    Clean-param: s /forum/showthread.php
  10. Дополнительная информация.

    Директивы robots.txt, которые не упомянуты в данном описании, робот Яндекса не поддерживает.

    Необходимо помнить, что результат использования расширений формата robots.txt может отличаться от результата без них, а именно:

    User-agent: Yandex
    Allow: /
    Disallow: /
    # без расширений все запрещалось так как 'Allow: /' игнорировалось,
    # с поддержкой расширений все разрешается
    
    User-agent: Yandex
    Disallow: /private*html
    # без расширений запрещалось '/private*html',
    # а с поддержкой расширений и '/private*html',
    # и '/private/test.html', и '/private/html/test.aspx' и т.п.
    
    User-agent: Yandex
    Disallow: /private$
    # без расширений запрещалось '/private$' и '/private$test' и т.п.,
    # а с поддержкой расширений только '/private'
    
    User-agent: *
    Disallow: /
    User-agent: Yandex
    Allow: /
    # без расширений из-за отсутствия перевода строки,
    # 'User-agent: Yandex' было бы проигнорировано и
    # результатом стало бы 'Disallow: /', но робот Яндекса
    # выделяет записи по наличию в строке 'User-agent:',
    # результат для робота Яндекса в данном случае 'Allow: /'
    
    User-agent: *
    Disallow: /
    # комментарий1...
    # комментарий2...
    # комментарий3...
    User-agent: Yandex
    Allow: /
    # аналогично предыдущему примеру (см. выше)

    Примеры использования расширенного формата robots.txt:

    User-agent: Yandex
    Allow: /archive
    Disallow: /
    # разрешает все, что содержит '/archive', остальное запрещено
    
    User-agent: Yandex
    Allow: /obsolete/private/*.html$ # разрешает html файлы
                            # по пути '/obsolete/private/...'
    Disallow: /*.php$  # запрещает все '*.php' на данном сайте
    Disallow: /*/private/ # запрещает все подпути содержащие
                          # '/private/', но Allow выше отменяет
                          # часть запрета
    Disallow: /*/old/*.zip$ # запрещает все '*.zip' файлы, содержащие
                            # в пути '/old/'
    
    User-agent: Yandex
    Disallow: /add.php?*user=
    # запрещает все скрипты 'add.php?' с параметром 'user'

    При написании robots.txt необходимо помнить, что у робота есть разумное ограничение на его размер. Слишком большие robots.txt (более 32 Кб) считаются полностью разрешающими, то есть рассматриваются аналогично:

    User-agent: Yandex
    Disallow:

    Также разрешающими считаются robots.txt, которые не удалось закачать (например, по причине неправильных http-заголовков) или отдающие 404 ошибку.

    Для проверки правильности файла robots.txt вы можете воспользоваться специальным on-line анализатором. См. описание «Анализатор robots.txt»

    Источник http://help.yandex.ru/webmaster/?id=996567

Добавить комментарий