robots.txt概念

如果我们网站内有某些特殊的文件不让搜索引擎收录，那怎么办？

答案是：使用一个叫做robots.txt的文件。

robots.txt文件告诉搜索引擎本网站哪些文件是允许搜索引擎蜘蛛抓取，哪些不允许抓取。

搜索引擎蜘蛛访问网站任何文件之前，需先访问robots.txt文件，然后抓取robots.txt文件允许的路径，跳过其禁止的路径。

总结：robots.txt是一个简单的.txt文件，用以告诉搜索引擎哪些网页可以收录，哪些不允许收录。

关于robots.txt文件的10条注意事项：

1、如果未创建robots.txt文件，则代表默认网站所有文件向所有搜索引擎开放爬取。

2、必须命名为：robots.txt，都是小写，robot后面加"s"。

3、robots.txt必须放置在一个站点的根目录下。

     通过如https://www.setujun.com/robots.txt 可以成功访问到，则说明本站的放置正确。

4、一般情况下，robots.txt里只写着两个函数：User-agent和 Disallow。

5、空格换行等不能弄错，可复制这个页面并修改为自己的。点击

6、有几个禁止，就得有几个Disallow函数，并分行描述。

7、至少要有一个Disallow函数，如果都允许收录，则写: Disallow: 

    如果都不允许收录，则写:Disallow: /  （注：只是差一个斜杆）。

8、允许有多个User-agent，如果对所有爬取蜘蛛生效，则用“*”星号表示。

9、robtos.txt文件内可以放上Sitemap文件地址，方便告诉搜索引擎Sitemap文件地址。

10、网站运营过程中，可以根据情况对robots.txt文件进行更新，屏蔽一些不要搜索引擎抓取的文件地址。

举例两个常见屏蔽规则：

User-agent: *  星号说明允许所有搜索引擎收录

Disallow: /search.html   说明 https://www.setujun.com/search.html 这个页面禁止搜索引擎抓取。

Disallow: /index.php?   说明类似这样的页面https://www.setujun.com/index.php?search=%E5%A5%BD&action=search&searchcategory=%25 禁止搜索引擎抓取。

扩展