Robots协议

简介：Robots协议又称机器人协议或爬虫协议，主要告知搜索引擎哪些可以访问，哪些不可以访问。robots.txt文件是一个文本文件，使用任何一个常见的文本编辑器。当一个搜索蜘蛛访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。百度官方建议，仅当您的网站包含不希望被搜索引擎收录的内容时，才需要使用robots.txt文件。如果您希望搜索引擎收录网站上所有内容，请勿建立robots.txt文件。

用处：

1. 屏蔽大文件，节省带宽

2. 屏蔽死链接

3. 方便引导蜘蛛爬取页面

4.可设置网站地图链接

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