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。

為什麼要使用 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，然後依據裡面的規則，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

編輯與創建robots.txt 文件

Robots.txt 文件是必須放在網站根目錄裡，如果你的網址是example.com 是可以讀取到的。

網址位置：
http://example.com/robots.txt

搜尋引擎的使用者代理

以搜尋引擎蜘蛛的User-agent來說，使用robots.txt文件來控制，是最普通的規範方式。當搜尋蜘蛛爬取網站時，他們會以使用者代理User-agent來識別、以下提供些參考範例

最常發現的搜尋引擎使用者代理：

Googlebot
Yahoo!
bingbot

最常被阻擋的搜尋引擎使用者代理：

AhrefsBot
Baiduspider
Ezooms
MJ12bot
YandexBot

搜尋引擎蜘蛛是會以robots.txt文件規則來抓取網站

robots.txt 文件有許多的規則，可以控制搜尋蜘蛛如何爬取你得網站。
User-agent: 可以具體指定哪一個User-agent是適用的，如*是萬用搭配於全部的User-agent。
Disallow: 設定檔案或是資料夾，不允許被搜尋蜘蛛爬取。

設定全部搜尋引擎延遲爬取

如果你的網站有1000頁，搜尋蜘蛛可能在幾分鐘內檢索全部的網站，然而這有可能導致系統資源使用過度，在短時間內讓全部的網頁超過負荷，導致網頁無法瀏覽。

延遲30秒的時間，將允許搜尋蜘蛛在8.3小時內檢索1000張網頁。
延遲500秒的時間，將允許搜尋蜘蛛在5.8天內檢索1000張網頁。
你也可以設定Crawl-delay：所有的搜尋蜘蛛立即搜尋。

User-agent: *
Crawl-delay: 30

允許搜尋蜘蛛爬取全部網站

在預設空白情況下，搜尋引擎蜘蛛還是會爬取你的網站，不過你還是可以指定它是允許的。

User-agent: *
Disallow:

不允許搜尋蜘蛛爬取全部網站

User-agent: *
Disallow: /

不允許搜尋蜘蛛爬取特定一個網站

你可以運用這些規則，不允許特定的搜尋引擎蜘蛛爬取你的網站。

User-agent: Baiduspider
Disallow: /

不允許全部搜尋蜘蛛爬取特定的檔案

如果有些檔案如contactus.htm, index.htm, 或是store.htm我們不想要搜尋蜘蛛爬取，我可以使用：

User-agent: *
Disallow: /contactus.htm
Disallow: /index.htm
Disallow: /store.htm

除了指定的以外，不允許全部搜尋蜘蛛爬取

如果我們只想讓Googlebot爬取我們的/private/目錄，但是不允許其他搜尋蜘蛛爬取，我們可以這樣使用：

User-agent: *
Disallow: /
User-agent: Googlebot
Disallow: /private/

當Googlebot讀取我的robots.txt文件時，會去理解文件內容，不會禁止全部目錄的爬取。

robots.txt的示例

如下：

# first group
User-agent: Baiduspider
User-agent: Googlebot
Disallow: /article/

# second group
User-agent: *
Disallow: /

Sitemap: https://www.xxx.com/sitemap.xml

以上：

• 允許百度和谷歌的搜索引擎訪問站內除 article 目錄下的所有文件/頁面（eg: article.html 可以，article/index.html 不可以）；
• 不允許其他搜索引擎訪問網站；
• 指定網站地圖所在。

假如你允許整站都可以被訪問，則可以不在根目錄添加 robots 文件。