Robots 协议

Robots协议（也叫爬虫协议、 机器人协议等） ， 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

作用：
控制爬虫访问：保护敏感页面（如登录页面、后台管理页面）不被爬虫访问。
优化抓取效率：避免爬虫抓取重复或不必要的内容（如图片、视频等），节省带宽和服务器资源。
提升SEO表现：合理配置可以帮助搜索引擎更好地理解网站结构，提升网站在搜索结果中的表现。

协议结构：
‌(1)User-Agent‌：定义规则适用的搜索引擎或爬虫名称（如Googlebot、BaiduSpider）。

例如:User-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符
‌(2)Disallow‌：禁止访问指定路径（如Disallow: /admin）。

例如：

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。

‌(3)Allow‌：允许访问指定路径（如Allow: /images）。

例如：

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

‌(4)Sitemap‌：指定网站地图的URL，帮助爬虫更全面地了解网站结构。

例如：
Sitemap: https://www.example.com/sitemap.xml 

(5)Crawl-delay：设置爬虫访问的延迟，单位为秒。

例如：
Crawl-delay: 10 
表示所有爬虫在访问网站时需要等待10秒。

这个结构案例：

例1. 禁止所有搜索引擎访问网站的任何部分

User-agent: *

Disallow: /

例2. 允许所有的robot访问 (或者也可以建一个空文件 “/robots.txt” file)

User-agent: *

Allow:　/

 

文件位置：robots.txt文件必须放置在网站的根目录下。
文件名大小写：文件名必须统一为小写。
非强制性：robots.txt协议不是命令，也不能保证所有爬虫都会遵守。恶意爬虫可能会忽视文件中的指令。