一、什么是robots.txt

robots.txt 文件由一條或多條規則組成。每條規則可禁止（或允許）特定抓取工具抓取相應網站中的指定文件路徑。

通俗一點的說法就是：告訴爬蟲，我這個網站，你哪些能看，哪些不能看的一個協議。

二、為什么要使用robots.txt

搜索引擎（爬蟲），訪問一個網站，首先要查看當前網站根目錄下的robots.txt，然后依據里面的規則，進行網站頁面的爬取。
也就是說，robots.txt起到一個基調的作用，也可以說是爬蟲爬取當前網站的一個行為準則。

那使用robots.txt的目的，就很明確了。

• 更好地做定向SEO優化，重點曝光有價值的鏈接給爬蟲
• 將敏感文件保護起來，避免爬蟲爬取收錄

三、robots.txt的示例

栗子如下：

User-agent: Googlebot
Disallow: /nogooglebot/

User-agent: *
Allow: /

Sitemap: http://www.wangxiaokai.vip/sitemap.xml

解析：

名為“Googlebot”抓取工具的用戶代理不應抓取 http://wangxiaokai.vip/nogooglebot/ 文件夾或任何子目錄。
所有其他用戶代理均可訪問整個網站。（不指定這條規則也無妨，結果是一樣的，因為完全訪問權限是系統默認的前提。）
網站的站點地圖文件位于 http://www.wangxiaokai.vip/sitemap.xml

四、文件規范

1、文件格式和命名

• 文件格式為標準 ASCII 或 UTF-8
• 文件必須命名為 robots.txt
• 只能有 1 個 robots.txt 文件

2、文件位置

必須位于它所應用到的網站主機的根目錄下

3、常用的關鍵字

• User-agent 網頁抓取工具的名稱
• Disallow 不應抓取的目錄或網頁
• Allow 應抓取的目錄或網頁
• Sitemap 網站的站點地圖的位置

五、百度網盤的應用

百度網盤的資源，到博文編寫時間為止，已經不能用常用的搜索技巧site:pan.baidu.com 搜索關鍵字的方式，在baidu.com|google.com|biying.com（國際版還可以勉強搜索到）去搜索對應的資源。
禁止的方式，很大程度上是依靠robots.txt，而不是請去喝茶??。

以下是訪問 http://pan.baidu.com/robots.txt 得到的規則：

image

可以看到，百度網盤封殺了所有資源文件入口。
最狠的是最后一句：

User-agent: *
Disallow: /

我只想說有資源真的可以為所欲為??

喜歡我文章的朋友，掃描以下二維碼，關注我的個人技術博客，我的技術文章會第一時間在博客上更新

點擊鏈接wall的個人博客

wall的個人博客