什么是robots.txt？具体怎么用？有什么注意事项？

什么是 robots.txt？

robots.txt是一个协议，是搜索引擎访问网站时第一个要查看的文件，它存在的目的是告诉搜索引擎哪些页面能被抓取，哪些页面不能被抓取。

当 spider 访问一个站点时，会首先检查该站点根目录下是否存在 robots.txt，如果存在，spider 会按照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 spider 将能够访问网站上所有没有被口令保护的页面。

robots.txt 具体介绍及用法

1、User-agent 用于描述搜索引擎 robot 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 robots.txt 的限制，对该文件来说，至少要有一条 User-agent 记录。如果该项的值设为*，则对任何 robot 均有效，在 robots.txt 文件中，User-agent:*这样的记录只能有一条。

360 搜索支持 user-agent 命令，包括使用通配符的 user-agent 命令。

2、Disallow 命令指定不建议收录的文件、目录

Disallow 值可以是一条完整的路径，也可以是路径的非空前缀，以 Disallow 项的值开头的 URL 不会被 robot 访问。

3、Allow 命令指定建议收录的文件、目录

Allow 值用于描述希望被访问的一组 URL，它的值也可以是一条完整的路径，也可以是路径的前缀，以 Allow 项的值开头的 URL 是允许 robot 访问的。

4、Sitemap 命令指定站点地图文件路径

Sitemap 值是站点地图的一条完整的 URL 路径地址，告诉爬虫这是一条网站点图路径。

5、举例说明

• User-agent: * 这里的*代表所有的搜索引擎种类，*是一个通配符，*也可以替换成其他的蜘蛛名称，例如：Googlebot、yisouspider，表示屏蔽特定搜索引擎的蜘蛛
• Disallow: /admin/ 这里定义是禁止爬寻 admin 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

robots.txt 注意事项

1、robots 文件往往放置于根目录下；

2、当您的网站包含有不希望被搜索引擎收录的内容时，才需要使用 robots.txt 文件；

3、360 搜索会对#这样形式的 robots 进行全匹配 url 处理，所以在写 robots 的时候一定要小心，最好写尽量精确的 url 通配，不建议做泛匹配

User-agent: *
Disallow: *#*

或者

User-agent: *
Disallow: #

360 搜索会把#认为是全部匹配，从而不抓取全部的 url，并且会将线上收录的链接做下线处理！！因此我们不建议站长写入这样的规则！

类似的，如写成：Disallow: #.html，则会不抓取所有以 html 为后缀的 url

robots.txt 常见问题

Robots 相关的常见问题主要是因错误书写 robots 导致的网站不被 360 搜索引擎收录。所以建议站长，当网站出现不收录时，首先检查一下 robtos 文件是否正确。

Robots 协议是一个搜索引擎和网站之间的善意协议，我们鼓励站长们也能善意使用这一协议，除非有充足合理的理由，否则我们一般都不建议使用 Robots 协议屏蔽 360 搜索及其他搜索引擎的蜘蛛。

其他任何不清楚的，还可以访问 360 的robots 百科词条：或参考360 搜索针对 robots 的 FAQ：

答案来自@360 社区-浣溪沙