robots.txt是什么，robots协议怎么写配置,robots文件怎么写,robots协议的用途
详解robots协议文件的相关问题，主要谈谈robots.txt是什么、配置怎么写、有什么作用；以及，怎么给自己的网站合理配置robots.txt规则。
什么是robots.txt协议
简单地说，robots协议就是网站空间目录里的一个txt文件。通过在这个文件里添加相应的规则内容，我们可以规定搜索引擎蜘蛛如何爬取网站页面。robots.txt是目前几乎所有主流搜索引擎共同遵守的一项互联网准则，让网站管理者可以掌控自己网站在搜索引擎上的展现。实质上，robots的规则主要就是两种指令：Allow指令（允许抓取）和 Disallow指令（禁止抓取）。
也就是说，robots.txt协议文件其实是给搜索引擎准备的。搜索引擎比如谷歌的蜘蛛来到网站，首先就会检查网站的robots规则，然后根据这些规则的指导进行爬取工作。所以，一般网站都是需要配置合适的robots规则，尤其是网站的某些类目或者页面不想被搜索引擎抓取到。如果网站没有配置robots文件，那就相当于默认全站可抓取。
robots.txt的指令规则
上文已经提到，robots.txt主要指令就是Allow和Disallow这两个。但，要组成一个完整的robots配置，还需要有其他指令的加入。接下来，我们逐一看下robots.txt的指令规则。
User-agent指令
任何指令都要有命令对象，robots规则指令也是如此。可能有人会疑惑：命令的对象不就是搜索引擎爬虫吗？是的，robots.txt就是指导这些爬虫的抓取；但是，全球的搜索引擎这么多，如果有些内容你就想给谷歌抓取，而不想给百度抓取，那怎么办呢？所以，User-agent指令还是必不可少的，通过它我们可以规定robots规则的限定对象。比如，对象限定为谷歌，就可以用：User-agent: googlebot，Googlebot就是谷歌的爬虫代号，其他主要的搜索引擎爬虫代号还有：
搜索引擎蜘蛛代号谷歌Googlebot百度BAIduspider360搜索360Spider搜狗Sogou News Spider必应bingbotMSNmsnbot
一个搜索引擎可能不止有一种蜘蛛，比如谷歌，除了常见的Googlebot外，它还有Googlebot-Image之类的爬虫，专门用于爬取图片等内容。如果你想了解所有搜索引擎的爬虫代号，可以查看这里。
Disallow指令
Disallow指令就是规定网站中哪些内容不想被搜索引擎抓取。举几个例子：
Disallow: /folder/（folder这个网站目录，包括里面所有页面不要抓取）
Disallow: /file.html（不要抓取网站中file.html这个页面）
Disallow: /image.png（不要抓取image.png这个图片）
Allow指令
和Disallow指令的作用相反，Allow指令告诉搜索引擎哪些页面可以被抓取，这个指令一般是配合着Disallow指令发挥作用，毕竟如果没有Disallow，那就已经默认可以抓取了。同样，举个例子：
User-agent: * （指令针对所有搜索引擎，*代表所有）
Disallow: /photos（不允许抓取photos这个目录内容）
Allow: /photos/car.jpg（只有car.jpg这个图片可以抓取）
注意：括号里都是讲解内容，真正使用这些指令规则时，不能加括号。
Crawl-delay指令
这个指令可以规定搜索引擎抓取页面前需要等待一段时间。比如：Crawl-delay: 100，意味着需要等待100毫秒。这个指令一般用不到，而且谷歌不会执行这个指令。
Sitemap指令
Sitemap指令就是告诉搜索引擎网站的Sitemap站点地图在什么位置（一般位于网站根目录中）。比如，我们网站的robots.txt文件就含有sitemap指令，大家可以自行查看：www.yundianseo.com/robots.txt
只有Google，Ask，Bing和Yahoo支持此项指令。
模糊匹配指令
在实际应用中，有时候我们需要制定某类文件或者页面不被谷歌等搜索引擎抓取。这时，就需要应用到模糊匹配指令。robots规则中的匹配指令是两个符号：*和$。符号*前面也有说过，是代表全部的意思；符号$则是用于结尾，代表符合结尾格式的地址。例如：Disallow: /*.gif$，表示不抓取网站中结尾格式为gif的所有文件。
常用的robots.txt配置
ROBOTS.TXT规则
功能说明
User-agent: *
Disallow: /
禁止所有搜索引擎抓取网站任何页面；一般用于网站尚未建设完成时使用，屏蔽搜索引擎抓取。User-agent: *
Disallow: /abc/
禁止所有搜索引擎抓取abc这个目录内容；比如，wordPress/ target=_blank class=infotextkey>WordPress网站需要禁止抓取wp-admin这个管理登录的目录。另外，不要使用robots规则限定你的隐私内容，仍然有可能泄露。隐私页面最好还是设置为普通用户不可见最为安全。User-agent: Googlebot
Allow: /
User-agent: *
Disallow: /
只允许谷歌蜘蛛爬取网站，其他搜索引擎禁止爬取。User-agent: Googlebot
Disallow: /
User-agent: *
Allow: /
除了谷歌不可以抓取，其他搜索引擎均可爬取网站。User-agent: *
Disallow: /abc.html
禁止所有搜索引擎抓取abc这个html页面；此规则可用于禁止抓取网站中某个页面。User-agent: *
Disallow: /images/abc.jpg
禁止所有搜索引擎抓取网站images目录下的abc这个jpg图片。禁止抓取某个页面或者图片等文件，需要正确填写所在位置。User-agent: Googlebot
Disallow: /*xls$
禁止谷歌抓取网站中所有以xls为结尾格式的文件。
使用robots.txt的注意事项
- 如果使用robots.txt协议，首先一点就是确保配置正确，不要影响到正常内容的抓取。网站如果长时间没被谷歌收录，有可能就是因为robots.txt配置错误导致的。
- 为了方便搜索引擎查找、识别，robots.txt一般放在网站的根目录中最好，也就是空间最开始的文件目录里。
- robots文件，必须是txt格式结尾，并且全称为robots.txt，不要大些首字母变成Robots.txt或者其他任何形式。
- robots.txt规则主流搜索引擎都会遵守，但不排除有些网站或者软件的爬虫会忽视这个文件，比如一些内容采集软件就不会遵守规则，所以不要指望robots规则可以把这类软件拦截在外。
- 如果有些页面信息是比较私人的或者含有隐私，不要把它添加到robots文件内容中，虽然搜索引擎不会抓取，但访客是可以直接打开robots文件，查看到该页面地址的。
- 如果一个网站有二级域名，那么二级域名的网站也是需要配置robots.txt文件的，如果它含有不想被抓取的内容，主域名配置的robots文件对二级域名不起作用。
- robots.txt最好含有sitemap地址，能够帮助搜索引擎更快地找到网站的站点地图。站点地图利于搜索引擎的抓取和收录，网站如果还没有sitemap，可以参照此篇文章进行创建：Sitemap站点地图生成工具
如何制作robots.txt文件
制作robots.txt文件的方法很简单：在电脑桌面创建一个txt文本，然后命名为robots即可。书写规则内容时，注意：
- 每行一个规则指令，如果是两段规则，中间空一行；
- 使用英文输入法，不要使用中文输入法，: 号后面空一格。
示例：
User-agent: *
Disallow: /（第一段）
User-agent: Googlebot
Allow: /（第二段）
如何提交robots.txt给谷歌
网站中已经有了robots.txt文件，可以通过robots测试工具提交给Google，让其尽快识别。打开工具：https://www.google.com/webmasters/tools/robots-testing-tool，选择资源（先得到谷歌站长工具中验证网站所有权）：
测试无误后，点击提交：
Tags：robots.txt robots协议
