Robots.txt帶來的好處：

　　1. 幾乎所有的搜索引擎Spider都遵循robots.txt給出的爬行規(guī)則，協(xié)議規(guī)定搜索引擎Spider進入某個網(wǎng)站的入口即是該網(wǎng)站的 robots.txt，當然，前提是該網(wǎng)站存在此文件。對于沒有配置robots.txt的網(wǎng)站，Spider將會被重定向至404 錯誤頁面，相關研究表明，如果網(wǎng)站采用了自定義的404錯誤頁面，那么Spider將會把其視作robots.txt——雖然其并非一個純粹的文本文件 ——這將給Spider索引網(wǎng)站帶來很大的困擾，影響搜索引擎對網(wǎng)站頁面的收錄。

　　2. robots.txt可以制止不必要的搜索引擎占用服務器的寶貴帶寬，如email retrievers，這類搜索引擎對大多數(shù)網(wǎng)站是沒有意義的；再如image strippers，對于大多數(shù)非圖形類網(wǎng)站來說其也沒有太大意義，但卻耗用大量帶寬。

　　3. robots.txt可以制止搜索引擎對非公開頁面的爬行與索引，如網(wǎng)站的后臺程序、管理程序，事實上，對于某些在運行中產(chǎn)生臨時頁面的網(wǎng)站來說，如果未配置robots.txt，搜索引擎甚至會索引那些臨時文件。

　　4. 對于內容豐富、存在很多頁面的網(wǎng)站來說，配置robots.txt的意義更為重大，因為很多時候其會遭遇到搜索引擎Spider給予網(wǎng)站的巨大壓力：洪水般的Spider訪問，如果不加控制，甚至會影響網(wǎng)站的正常訪問。

　　5. 同樣地，如果網(wǎng)站內存在重復內容，使用robots.txt限制部分頁面不被搜索引擎索引和收錄，可以避免網(wǎng)站受到搜索引擎關于 duplicate content的懲罰，保證網(wǎng)站的排名不受影響。

　　robots.txt帶來的風險及解決：

　　1. 凡事有利必有弊，robots.txt同時也帶來了一定的風險：其也給攻擊者指明了網(wǎng)站的目錄結構和私密數(shù)據(jù)所在的位置。雖然在Web服務器的安全措施配置得當?shù)那疤嵯逻@不是一個嚴重的問題，但畢竟降低了那些不懷好意者的攻擊難度。

　　比如說，如果網(wǎng)站中的私密數(shù)據(jù)通過www.yourdomain.com/private/index.html 訪問，那么，在robots.txt的設置可能如下：

　　User-agent： *

　　Disallow： /private/

　　這樣，攻擊者只需看一下robots.txt即可知你要隱藏的內容在哪里，在瀏覽器中輸入www.yourdomain.com/private/ 便可訪問我們不欲公開的內容。對這種情況，一般采取如下的辦法：

　　設置訪問權限，對/private/中的內容實施密碼保護，這樣，攻擊者便無從進入。

　　另一種辦法是將缺省的目錄主文件index.html更名為其他，比如說abc-protect.html，這樣，該內容的地址即變成 www.yourdomain.com/private/abc-protect.htm，同時，制作一個新的index.html文件，內容大致為“你沒有權限訪問此頁”之類，這樣，攻擊者因不知實際的文件名而無法訪問私密內容。

　　2. 如果設置不對，將導致搜索引擎將索引的數(shù)據(jù)全部刪除。

　　User-agent： *

　　Disallow： /

　　上述代碼將禁止所有的搜索引擎索引數(shù)據(jù)。

　　目前看來，絕大多數(shù)的搜索引擎機器人都遵守robots.txt的規(guī)則，而對于Robots META標簽，目前支持的并不多，但是正在逐漸增加，如著名搜索引擎GOOGLE就完全支持，而且GOOGLE還增加了一個指令“archive”，可以限制GOOGLE是否保留網(wǎng)頁快照。例如：

　　<META NAME=“googlebot” CONTENT=“index，follow，noarchive”>

　　表示抓取該站點中頁面并沿著頁面中鏈接抓取，但是不在GOOLGE上保留該頁面的網(wǎng)頁快照。

上一頁  [1] [2]