robots.txt一般指robots协议，Robots协议（也称为爬虫协议、机器人协议等）的全称是“网络爬虫排除标准”（Robots Exclusion Protocol），网站通过Robots协议告诉搜索引擎哪些页面可以抓取，哪些页面不能抓取。

大家有没有想过，如果我们某个站点不让百度收录，该怎样做呢？

搜索引擎已经和我们达成一个约定，如果我们按约定那样做了，它们就不会收录。

这个写约定的的文件命名为:robots.txt。

robots.txt是一个最简单的.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的使用一般站长需要注意以下几点：

如果你的站点对所有搜索引擎公开，则不用做这个文件或者robots.txt为空就行。

必须命名为：robots.txt，都是小写，robot后面加"s"。

robots.txt必须放置在一个站点的根目录下。放在子目录的 Robots.txt 文件搜索引擎不能爬取到，所以不会起任何作用。如：通过
http://jiangwenseo.com/robots.txt 可以成功访问到，（当然本站暂时没有设置robots.txt文件，以后肯定会设置的）则说明本站的放置正确。

举例说明：

http://jiangwenseo.com/robots.txt 有效

http://jiangwenseo.com/share/robots.txt 无效

如果你不能控制根目录的 robots.txt，则你可以通过在子目录网页中使用标签阻止网页被收录。

文件写法：

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

观察这个页面并修改为自己的：http://jiangwenseo.com/robots.txt

有几个禁止，就得有几个Disallow函数，并分行描述。

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）。

指令列举：

User-agent: * 星号说明允许所有搜索引擎收录

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

举例说明：

Disallow: /1.html 说明 http://jiangwenseo.com/1.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http://jiangwenseo.com/index.php?s ... &searchcategory=%25 禁止搜索引擎抓取。

总结：

spider在访问一个网站时，会首先会检查该网站的根域下是否有一个叫做 robots.txt的纯文本文件，这个文件用于指定spider在您网站上的抓取范围。

上一节：[ 5.4 ]如何查看网站被百度抓取的情况？

下一节：[ 5.6 ]为什么要设置robots.txt文件？