什么是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。

    为什么使用Robots协议？

    当一个搜索蜘蛛访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果存在，搜索机器人就会按照该文件中的内容来确定访问的范围；如果该文件不存在，所有的搜索蜘蛛将能够访问网站上所有没有被口令保护的页面。百度官方建议，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。

    Robots协议是国际互联网界通行的道德规范，基于以下原则建立：

    1、搜索技术应服务于人类，同时尊重信息提供者的意愿，并维护其隐私权；

    2、网站有义务保护其使用者的个人信息和隐私不被侵犯。

    怎么使用Robots协议？

    文件写法

    User-agent: * 这里的*代表的所有的搜索引擎种类，*是一个通配符

    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

    应用实例：

    1. 禁止所有搜索引擎访问网站的任何部分

    User-agent: *

    Disallow: /

    2.淘宝网的 Robots.txt文件

    User-agent: Baiduspider

    Disallow: /

    User-agent: baiduspider

    Disallow: /

    3.同时使用Allow和Disallow

    User-agent: Googlebot

    Allow: /folder1/myfile.html

    Disallow: /folder1/