Sự quan trọng của file Robots.txt
Một trong những điều quan trọng để web site của
bạn có thể đạt High ranking (thứ hạng cao) trong
các cỗ máy tìm kiếm là bạn phải xây dựng cho
mình một file Robots.txt
Vậy file Robots.txt là gì? khi một search engine tìm
đến (nguyên văn Crawler) web site nào đó, nó sẽ tìm
một file đặc biệt trước tiên, đó là file robots.txt. File
robot.txt cho search engine đó biết rằng, web site này
có thể index hoặc không (tùy theo lệnh được viết
trong file robots.txt).
Thực chất, file robots.txt là một tập tin văn bản đơn
giản (không chứa mã HTML) được đặt trong thư mục
gốc của web site, ví dụ
http://www.example.com/robots.txt.
Vậy, làm thế nào để tạo ra một file robots.txt? Rất
đơn giản, bạn có thể mở chương trình Notepad hay
bất cứ chương trình soạn thảo văn bản nào, lưu file
với tên robots.txt là xong. Các dòng lệnh trong file
này có cấu trúc như sau:
User-agent: googlebot
Disallow: /cgi-bin/
Trong đó User-agent: là đại diện của một search
engine, Googlebot là spider của Google. Trong ví dụ
này, chỉ các spider của Google là được phép index
web site. Disallow: là không cho phép thực hiện điều
gì đó. ở ví dụ trên là không cho phép các spider index
thư mục "cgi-bin" trong web site.
Ví dụ thứ hai:
User-agent: googlebot
Disallow: /support
Tất cả các trang nằm trong thư mục support, hay
support-desk sẽ không được index.
Nếu bạn muốn tất cả các search engine có thể index
web site của bạn, nhưng không được index các trang
trong thư mục "cgi-bin" thì sử dụng lệnh sau:
User-agent: *
Disallow: /cgi-bin/
Những điều nên tránh:
+ Không sử dụng các chú thích trong file robots.txt,
nó có thể làm cho các spider của search engine bị lầm
lẫn. Ví dụ:
"Disallow: support # Don't index the support
directory" might be misinterepreted as "Disallow:
support#Don't index the support directory".
+ Không được để khoảng trắng ở đầu dòng lệnh, ví
dụ:
User-agent: *
Disallow: /cgi-bin/
+Không thay đổi trật tự của các dòng lệnh. Ví dụ:
Disallow: /support
User-agent: *
+ Không sử dụng quá một thư mục trong dòng lệnh
Disallow. Ví dụ:
User-agent: *
Disallow: /support /cgi-bin/ /images/
các search engine không hiểu định dạng trên. bạn nên
viết thế này:
User-agent: *
Disallow: /support
Disallow: /cgi-bin/
Disallow: /images/
+Phải chắc chắn các mệnh đề, từ sử dụng trong lệnh
là đúng. Ví dụ, thư mục của bạn là "cgi-bin" (viết
thường, không viết hoa), nhưng khí vào lệnh, bạn lại
viết là "Cgi-Bin" thì các spider sẽ "bó tay".
+ Không nên dùng lệnh Allow trong file robots.txt,
bởi vì trong web site của bạn chắc chắn sẽ có một số
trang hoặc một số thành phần bạn không muốn bị
người khác "nhòm ngó". nếu bạn sử dụng lệnh
Allow, tất cả mọi ngóc ngách trong web site của bạn
sẽ bị index!
Bạn có thể tham khảo tập tin robots.txt tại các web
site nổi tiếng trên thế giới là Ebay và Nytimes:
http://www.nytimes.com/robots.txt
http://www.ebay.com/robots.txt.