什么是robots.txt文件?如何为网站写robots.txt

什么是robots.txt文件

    Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。Robots协议的本质是网站和搜索引擎爬虫的沟通方式，用来指导搜索引擎更好地抓取网站内容，而不是作为搜索引擎之间互相限制和不正当竞争的工具。

    robots.txt是网站seo优化中起着很重要的作用，robots.txt是搜索引擎访问网站时需要查看的第一个文件，搜索引擎蜘蛛来到一个站点，首先要检查站点根目录下是否存在robots.txt，如果有，就会按照该文件中的内容确定访问范围，如果该文件不存在就会随意抓取，可能会抓到到重复路径或错误页面。

robots文件写法

    User-agent: * 这里的*代表的所有的搜索引擎种类，   *是一个通配符 Disallow: /admin/ 这里定义是禁止爬寻admin目录下面的目录

    Disallow: /require/ 这里定义是禁止爬寻require目录下面的目录

    Disallow: /ABC/ 这里定义是禁止爬寻ABC目录下面的目录

    Disallow: /cgi-bin/*.htm 禁止访问/cgi-bin/目录下的所有以".htm"为后缀的URL(包含子目录)。

    Disallow: /*?* 禁止访问网站中所有包含问号 (?) 的网址

    Disallow: /.jpg$ 禁止抓取网页所有的.jpg格式的图片

    Disallow:/ab/adc.html 禁止爬取ab文件夹下面的adc.html文件。

    Allow: /cgi-bin/　这里定义是允许爬寻cgi-bin目录下面的目录

    Allow: /tmp 这里定义是允许爬寻tmp的整个目录

    Allow: .htm$ 仅允许访问以".htm"为后缀的URL。

    Allow: .gif$ 允许抓取网页和gif格式图片

    Sitemap: 网站地图 告诉爬虫这个页面是网站地图 文件用法

    例1. 禁止所有搜索引擎访问网站的任何部分 User-agent: * Disallow: /

    例2. 允许所有的robot访问 (或者也可以建一个空文件 “/robots.txt” file) User-agent: * Allow:　/

    例3. 禁止某个搜索引擎的访问 User-agent: BadBot Disallow: /

    例4. 允许某个搜索引擎的访问 User-agent: Baiduspider allow:/