一、什么是robots.txt
robots.txt 文件由一条或多条规则组成。每条规则可禁止（或允许）特定抓取工具抓取相应网站中的指定文件路径。
通俗一点的说法就是：告诉爬虫，我这个网站，你哪些能看，哪些不能看的一个协议。
二、为什么要使用robots.txt
搜索引擎（爬虫），访问一个网站，首先要查看当前网站根目录下的robots.txt，然后依据里面的规则，进行网站页面的爬取。
也就是说，robots.txt起到一个基调的作用，也可以说是爬虫爬取当前网站的一个行为准则。
那使用robots.txt的目的，就很明确了。
- 更好地做定向SEO优化，重点曝光有价值的链接给爬虫
- 将敏感文件保护起来，避免爬虫爬取收录
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：
名为“Googlebot”抓取工具的用户代理不应抓取 http://wangxiaokai.vip/nogooglebot/ 文件夹或任何子目录。
所有其他用户代理均可访问整个网站。（不指定这条规则也无妨，结果是一样的，因为完全访问权限是系统默认的前提。）
网站的站点地图文件位于 http://www.wangxiaokai.vip/sitemap.xml
四、文件规范
1、文件格式和命名
- 文件格式为标准 ASCII 或 UTF-8
- 文件必须命名为 robots.txt
- 只能有 1 个 robots.txt 文件
2、文件位置
必须位于它所应用到的网站主机的根目录下
3、常用的关键字
- User-agent
网页抓取工具的名称 - Disallow
不应抓取的目录或网页 - Allow
应抓取的目录或网页 - Sitemap
网站的站点地图的位置
五、百度网盘的应用
百度网盘的资源，到博文编写时间为止，已经不能用常用的搜索技巧site:pan.baidu.com 搜索关键字的方式，在baidu.com|google.com|biying.com（国际版还可以勉强搜索到）去搜索对应的资源。
禁止的方式，很大程度上是依靠robots.txt，而不是请去喝茶😆。
以下是访问 http://pan.baidu.com/robots.txt 得到的规则：
image
可以看到，百度网盘封杀了所有资源文件入口。
最狠的是最后一句：
User-agent: *
Disallow: /
我只想说有资源真的可以为所欲为😂
喜欢我文章的朋友，扫描以下二维码，关注我的个人技术博客，我的技术文章会第一时间在博客上更新
点击链接wall的个人博客
wall的个人博客
