什么是robots.txt文件？
1、robots.txt是存放在站點(diǎn)下的一個(gè)純文本文件。雖然它的設(shè)置很簡單，但是作用卻很強(qiáng)大。它可以指定搜索引擎蜘蛛只抓取指定的內(nèi)容，或者是禁止搜索引擎蜘蛛抓取網(wǎng)站的部分或全部內(nèi)容。Robots協(xié)議（爬蟲協(xié)議）是國際互聯(lián)網(wǎng)界通行的道德規(guī)范，一般是在一個(gè)web站點(diǎn)的根目錄下寫的robots.txt文件，用來告知搜索引擎哪些頁面能被抓取，哪些頁面不能被抓取，可以屏蔽一些網(wǎng)站中比較大的文件，如：圖片，音樂，視頻等，節(jié)省服務(wù)器帶寬；可以屏蔽站點(diǎn)的一些死鏈接。方便搜索引擎抓取網(wǎng)站內(nèi)容；設(shè)置網(wǎng)站地圖連接，方便引導(dǎo)蜘蛛爬取頁面。
2、robots.txt（統(tǒng)一小寫）是一種存放于網(wǎng)站根目錄下的ASCII編碼的文本文件，它通常告訴網(wǎng)絡(luò)搜索引擎的漫游器（又稱網(wǎng)絡(luò)蜘蛛），此網(wǎng)站中的哪些內(nèi)容是不應(yīng)被搜索引擎的漫游器獲取的，哪些是可以被（漫游器）獲取的。
3、如果想單獨(dú)定義搜索引擎的漫游器訪問子目錄時(shí)的行為，那么可以將自定的設(shè)置合并到根目錄下的robots.txt，或者使用robots元數(shù)據(jù)。
4、因?yàn)橐恍┫到y(tǒng)中的URL是大小寫敏感的，所以robots.txt的文件名應(yīng)統(tǒng)一為小寫。robots.txt應(yīng)放置于網(wǎng)站的根目錄下。
5、robots.txt協(xié)議并不是一個(gè)規(guī)范，而只是約定俗成的，所以并不能保證網(wǎng)站的隱私。注意robots.txt是用字符串比較來確定是否獲取URL，所以目錄末尾有與沒有斜杠“／”表示的是不同的URL。robots.txt允許使用類似"Disallow: *.gif"這樣的通配符。
6、Robots協(xié)議是國際互聯(lián)網(wǎng)界通行的道德規(guī)范，基于以下原則建立：1、搜索技術(shù)應(yīng)服務(wù)于人類，同時(shí)尊重信息提供者的意愿，并維護(hù)其隱私權(quán)；2、網(wǎng)站有義務(wù)保護(hù)其使用者的個(gè)人信息和隱私不被侵犯。
robots.txt文件使用方法
Robots.txt 文件應(yīng)該放在網(wǎng)站下，并且該文件是可以通過互聯(lián)網(wǎng)進(jìn)行訪問的。例如：如果您的網(wǎng)站地址是http://www.xxx.com/那么，該文件必須能夠通過 http://www.xxx.com/robots.txt 打開并看到里面的內(nèi)容。
格式：
是用來匹配爬蟲的，每個(gè)爬蟲都會(huì)有一個(gè)名字，如果你有安裝awstats統(tǒng)計(jì)工具，你就能查看到爬蟲的名字，比如百度的爬蟲叫BaiDuSpider，Google的爬蟲叫Googlebot，*表示所有爬蟲。User-agent用于描述搜索引擎蜘蛛的名字，在"Robots.txt"文件中，如果有多條User-agent記錄說明有多個(gè)搜索引擎蜘蛛會(huì)受到該協(xié)議的限制，對(duì)該文件來說，至少要有一條User-agent記錄。如果該項(xiàng)的值設(shè)為*，則該協(xié)議對(duì)任何搜索引擎蜘蛛均有效，在" Robots.txt "文件中，"User-agent:*"這樣的記錄只能有一條。
用于描述禁止爬蟲訪問的目錄或不希望被訪問到的一個(gè)URL，這個(gè)URL可以是一條完整的路徑，也可以是部分的，任何以Disallow開頭的URL均不會(huì)被Robot訪問到。Disallow:/ 表示攔截整站。
表示允許爬蟲訪問的目錄。Allow:/ 表示允許訪問整站。
用來指定sitemap的位置。如Sitemap: https://www.yourdomain.com/sitemap.xml
用來告訴爬蟲兩次訪問的間隔，單位是秒。爬蟲如果爬得很勤，對(duì)動(dòng)態(tài)網(wǎng)站來說，壓力有點(diǎn)大，可能會(huì)導(dǎo)致服務(wù)器負(fù)載增高，用戶訪問變慢。
還可以使用 ， * ：匹配任意多個(gè)字符， $ ：表示URL的結(jié)尾。
不管是Disallow，Allow還是Sitemap，每行只能寫一條規(guī)則。
舉例：
例一："Disallow:/help"是指/help.html 和/help/index.html都不允許搜索引擎蜘蛛抓取。
例二："Disallow:/help/"是指允許搜索引擎蜘蛛抓取/help.html，而不能抓取/help/index.html。
例三：Disallow記錄為空說明該網(wǎng)站的所有頁面都允許被搜索引擎抓取，在"/robots.txt"文件中，至少要有一條Disallow記錄。如果"/robots.txt"是一個(gè)空文件，則對(duì)于所有的搜索引擎蜘蛛，該網(wǎng)站都是開放的可以被抓取的。
#:Robots.txt 協(xié)議中的注釋符。
綜合例子 ：
例一：通過"/robots.txt"禁止所有搜索引擎蜘蛛抓取"/bin/cgi/"目錄，以及 "/tmp/"目錄和 /foo.html 文件，設(shè)置方法如下：
User-agent: *
Disallow: /bin/cgi/
Disallow: /tmp/
Disallow: /foo.html
例二：通過"/robots.txt"只允許某個(gè)搜索引擎抓取，而禁止其他的搜索引擎抓取。如：只允許名為"slurp"的搜索引擎蜘蛛抓取，而拒絕其他的搜索引擎蜘蛛抓取 "/cgi/" 目錄下的內(nèi)容，設(shè)置方法如下：
User-agent: *
Disallow: /cgi/
User-agent: slurp
Disallow:
例三：禁止任何搜索引擎抓取我的網(wǎng)站，設(shè)置方法如下：
User-agent: *
Disallow: /
例四：只禁止某個(gè)搜索引擎抓取我的網(wǎng)站如：只禁止名為“slurp”的搜索引擎蜘蛛抓取，設(shè)置方法如下：
User-agent: slurp
Disallow:/
例五：允許爬蟲訪問所有的目錄，有兩種寫法
User-agent: *
Disallow:
User-agent: *
Allow: /
例六：通配符的使用，攔截.gif文件
User-agent: *
Disallow: /*.gif$
例七：攔截帶有?的文件
User-agent: *
Disallow: /*?