robots.txt文件禁止抓取为什么还被收录

人亦已歌

有时候不希望搜索引擎抓取某些内容可以写robots.txt文件放到根目录，按理蜘蛛会首先读取这个文件，按照robots协议抓取相应的内容。但是许多站长们发现，蜘蛛并不太遵守这个协议。

为验证这个问题，做了测试后发现，如果蜘蛛已经抓取并有索引、快照了，这个时候再写robots.txt文件就不遵守这个协议了，一般在robots中禁止抓取文件夹如下，

Disallow:/about/

还不放心，在页面里增加<meta>声明

<meta name="robots" content="noindex,follow" />

这个声明的意思是告诉蜘蛛不建立索引，可以沿着路径继续抓取内容。以为这就能让已经收录的快照删除了，有网友说这需要等待，时间都说不好。

百度有个规则是判断页面质量，如果多个页面重复内容过多，会被降权，甚至移出索引库。等待很长世间才会被移出索引库，一般调整过的网站的收录量会减少，但不是大幅度减少，是因为有些垃圾页面在算法更新后被移出索引库而已，这对于正规SEO做法的站长来说是好事，垃圾页面会影响到网站的排名。

robots和nofollow标签都能控制蜘蛛抓取范围，而两个的用法不尽相同。

 

简单说，nofollow主要是为了集中某个页面的权重，而robots.txt文件是控制整个网站的蜘蛛抓取范围。那么问题来了，为什么很多时候蜘蛛不遵守我们的robots协议呢？（一些垃圾蜘蛛是完全不遵守robots协议的）我们说的蜘蛛主要指百度蜘蛛与谷歌蜘蛛。

1、书写错误

robots.txt文件的书写格式是一行一行的写，不能连着写，如

User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/

2、正确书写

每个记录都需要另起一行，每个记录里不允许空行，空行用来分割不同的记录。如；

User-agent: *
Disallow: /cgi-bin/
Disallow: /tmp/

很多时候搜索引擎抓取了你 robots.txt 文件不允许抓取的内容不是因为机器人不遵守，而是从抓取到索引到展现这个过程需要一段时间，当搜索引擎已经抓取了，你才更新，那么之前抓取的是不会那么快删掉的，删除周期并不规律，一般是算法更新后生效的情况多些。