做过网站优化的朋友都知道，搜索引擎蜘蛛爬行抓取网站时首先会去访问根目录下的robots.txt文件，如果robots文件存在，则会根据robots文件内设置的规则进行爬行抓取，如果文件不存在则会顺着首页进行抓取，那么robots文件的工作原理是什么呢？如何对robots.txt文件进行设置。
robots.txt是一个纯文本的文件，文件的名字必须全部小写，并且放置在网站的根目录下面，通过文件中的规则声明网站哪些内容不想被搜索引擎蜘蛛抓取收录，或者指定某个搜索引擎不能收录robots.txt也叫做爬虫协议，遵循爬虫协议的搜索引擎蜘蛛，都会根据协议的内容对网站进行爬虫抓取的。
一、什么是robots.txt？
这是一个文本文件，是搜索引擎爬行网页要查看的第一个文件，你可以告诉搜索引擎哪些文件可以被查看，哪些禁止。
当搜索机器人访问一个站点时，它首先会检查根目录是否存在robots.txt，如果有就确定抓取范围，没有就按链接顺序抓取。
二、robots.txt有什么用？
为何需要用robots.txt这个文件来告诉搜索机器人不要爬行我们的部分网页，比如：后台管理文件、程序脚本、附件、数据库文件、编码文件、样式表文件、模板文件、导航图片和背景图片等等。说到底了，这些页面或文件被搜索引擎收录了，用户也看不了，多数需要口令才能进入或是数据文件。既然这样，又让搜索机器人爬行的话，就浪费了服务器资源，增加了服务器的压力，因此我们可以用robots.txt告诉机器人集中注意力去收录我们的文章页面，增强用户体验。
三、robots设置：
1、用robots屏蔽网站重复页
很多网站一个内容提供多种浏览版本，虽然很方便用户，却对蜘蛛造成了困难，因为它分不清那个是主，那个是次，一旦让它认为你在恶意重复，你就惨了
User-agent： *
Disallow： /sitemap/ 《禁止蜘蛛抓取 文本网页》
2、用robots保护网站安全
很多人纳闷了，robots怎么还和网站安全有关系了？其实关系还很大，不少低级黑客就是通过搜索默认后台登陆，以达到入侵网站的目标
User-agent： *
Disallow： /admin/ 《禁止蜘蛛抓取admin目录下所有文件》
3、防止盗链
一般盗链也就几个人，可是一旦被搜索引擎“盗链”那家伙你100M宽带也吃不消，如果你做的不是图片网站，又不想被搜索引擎“盗链”你的网站图片
User-agent： *
Disallow： .jpg$
4、提交网站地图
现在做优化的都知道做网站地图了，可是却没几个会提交的，绝大多数人是干脆在网页上加个链接，其实robots是支持这个功能的
Sitemap： http:-www-***-com/sitemaps/sitemaps.xml
5、禁止某二级域名的抓取
一些网站会对VIP会员提供一些特殊服务，却又不想这个服务被搜索引擎检索到
User-agent： *
Disallow： /
以上五招robots足以让你对搜索引擎蜘蛛掌控能力提升不少，就像百度说的：我们和搜索引擎应该是朋友，增加一些沟通，才能消除一些隔膜。
四、robots.txt基本语法
1、robots.txt的几个关键语法：
a、User-agent: 应用下文规则的漫游器，比如Googlebot,Baiduspider等。
b、Disallow: 要拦截的网址,不允许机器人访问。
c、Allow: 允许访问的网址
d、”*” : 通配符—匹配0或多个任意字符。
e、”$” : 匹配行结束符。
f、”#” : 注释—说明性的文字,不写也可。
g、Googlebot: 谷歌搜索机器人(也叫搜索蜘蛛)。
h、Baiduspider: 百度搜索机器人(也叫搜索蜘蛛)。
i、目录、网址的写法:都以以正斜线 (/) 开头。如：
Disallow:/
Disallow:/images/
Disallow:/admin/
Disallow:/css/
2、列举一些robots.txt 具体用法：
允许所有的robot访问
User-agent: *
Disallow:
或者
User-agent: *
Allow: /
或者建一个空文件”robots.txt”即可。
仅禁止某个机器人访问您的网站，如Baiduspider。
User-agent: Baiduspider
Disallow: /
仅允许某个机器人访问您的网站，如Baiduspider。
User-agent: Baiduspider
Disallow:
User-agent: *
Disallow: /
禁止访问特定目录
User-agent: *
Disallow: /admin/
Disallow: /css/
Disallow:
要拦截对所有包含问号 (?) 的网址的访问(具体地说，这种网址以您的域名开头、后接任意字符串，然后接问号，而后又接任意字符串)，请使用以下内容：
User-agent: Googlebot
Disallow: /*?
要指定与某个网址的结尾字符相匹配，请使用 $。例如，要拦截以 .xls 结尾的所有网址，请使用以下内容：
User-agent: Googlebot
Disallow: /*.xls$
您可将此模式匹配与 Allow 指令配合使用。例如，如果 ? 代表一个会话 ID，那么您可能希望排除包含 ? 的所有网址，以确保
Googlebot 不会抓取重复网页。但是以 ? 结尾的网址可能是您希望包含在内的网页的版本。在此情况下，您可以对您的 robots.txt
文件进行如下设置：
User-agent: *
Allow: /*?$
Disallow: /*?
Disallow: /*? 指令会阻止包含 ? 的所有网址(具体地说，它将拦截所有以您的域名开头、后接任意字符串，然后接问号，而后又接任意字符串的网址)。
Allow: /*?$ 指令将允许以 ? 结尾的任何网址(具体地说，它将允许所有以您的域名开头、后接任意字符串，然后接 ?，? 之后不接任何字符的网址)。
以上介绍多数都是Google的http:-www-google-com/support/we … cn&answer=40360，百度的大同小异具体可以看http:-www-baidu-com/search/robots.html
一般网站查看robots.txt文件的方法是主页后面加robots.txt就可以，比如淘宝网的就是http:-www-taobao-com/robots.txt
请注意，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。
原文地址：https://www.cnblogs.com/goloving/p/11386198.html