robots.txt是一个纯文本文件，是爬虫抓取网站的时候要查看的第一个文件，一般位于网站的根目录下。robots.txt文件定义了爬虫在爬取该网站时存在的限制，哪些部分爬虫可以爬取，哪些不可以爬取(防君子不防小人)，也限制了某些搜索引擎爬虫的爬取。那么关于robots文件您了解多少呢？小编带您了解一下。
一、什么时候使用robots.txt文件?
1、屏蔽网站重复页 有些网站为了方便用户浏览而对一个内容提供多种浏览版本，但是蜘蛛分不清哪个是主，哪个是次，因此需要屏蔽网站重复页。2、保护网站安全 一些低级黑客就是通过搜索默认后台登陆，以达到入侵网站的目标。 User-agent： * Disallow： /admin/ 《禁止蜘蛛抓取admin目录下所有文件》3、防止盗链 一般盗链也就几个人，可是一旦被搜索引擎“盗链”那你100M宽带也吃不消，如果你做的不是图片网站，又不想被搜索引擎“盗链”你的网站图片。 User-agent： * Disallow： .jpg$4、提交网站地图 现在做优化的都知道做网站地图了，可是却没几个会提交的，绝大多数人是干脆在网页上加个链接，其实robots是支持这个功能的。 Sitemap：http://域名/sitemap.xml5、禁止某二级域名的抓取 一些网站会对VIP会员提供一些特殊服务，却又不想这个服务被搜索引擎检索到。 User-agent： * Disallow： /二、怎么对网站的robots.txt进行设置?
robots.txt的几个关键语法： 1、User-agent: 描述搜索引擎spider的名字。在“robots.txt“文件中，如果有多条 User-agent记录，说明有多个robot会受到该协议的约束。所以，“robots.txt”文件中至少要有一条User- agent记录。如果该项的值设为*(通配符)，则该协议对任何搜索引擎机器人均有效。在“robots.txt”文件 中，“User-agent：*”这样的记录只能有一条。 2、Disallow: 要拦截的网址,不允许机器人访问。 3、Allow: 允许访问的网址 4、”*” : 通配符—匹配0或多个任意字符。 5、”$” : 匹配行结束符。 6、”#” : 注释—说明性的文字,不写也可。 7、Googlebot: 谷歌搜索机器人(也叫搜索蜘蛛)。 8、Baiduspider: 百度搜索机器人(也叫搜索蜘蛛)。 9、目录、网址的写法:都以以正斜线 (/) 开头。三、一些robots.txt的具体用法!
1、允许所有的robot访问 User-agent: * Disallow: 或者 User-agent: * Allow: / 或者建一个空文件”robots.txt”即可。2、仅禁止某个机器人访问您的网站，如Baiduspider。 User-agent: Baiduspider Disallow: /3、仅允许某个机器人访问您的网站，如Baiduspider。 User-agent: Baiduspider Disallow: User-agent: * Disallow: /4、禁止访问特定目录 User-agent: * Disallow: /admin/ Disallow: /css/ Disallow:5、要拦截对所有包含问号 (?) 的网址的访问(具体地说，这种网址以您的域名开头、后接任意字符串，然后接问号，而后又接任意字符串)，请使用以下内容： User-agent: * Disallow: /*? 要指定与某个网址的结尾字符相匹配，请使用 $。例如，要拦截以 .xls 结尾的所有网址，请使用以下内容： User-agent: * Disallow: /*.xls$ 您可将此模式匹配与 Allow 指令配合使用。例如，如果 ? 代表一个会话 ID，那么您可能希望排除包含 ? 的所有网址，以确保 Googlebot 不会抓取重复网页。但是以 ? 结尾的网址可能是您希望包含在内的网页的版本。在此情况下，您可以对您的 robots.txt 文件进行如下设置： User-agent: * Allow: /*?$ Disallow: /*? Disallow: /*? 指令会阻止包含 ? 的所有网址(具体地说，它将拦截所有以您的域名开头、后接任意字符串，然后接问号，而后又接任意字符串的网址)。 Allow: /*?$ 指令将允许以 ? 结尾的任何网址(具体地说，它将允许所有以您的域名开头、后接任意字符串，然后接 ?，? 之后不接任何字符的网址)。 当然我们可以根据知名网站的robots.txt文件来修改而成，也可以使用爱站等工具按照自己的要求生成robots.txt文件。文件上传后要验证robots是否生效，在百度站长Robots里面优化检测更新，这样就可以让它生效了!