Robots文件的作用和规范写法
控制页面的抓取、索引是SEO优化网站结构时经常需要用到的技术。常见的工具包括：
robots文件
页面的noindex标签
链接的nofollow属性
页面的301转向
页面的canonical标签等
这几个工具各有各的特定应用场景，但都是用于控制网站内部结构，之间容易混淆，还经常需要配合使用，SEO们必须准确理解这几个工具的机制和原理，不然很容易出错。
这篇贴子讨论robots文件。
Robots文件的作用
robots文件是一个放置在域名（或子域名）根目录下的、文件名固定为robots.txt的（全部小写）、UTF8编码的、纯ASCII文本文件，用来通知搜索引擎，网站的哪些部分可以抓取，哪些禁止抓取。robots.txt只对所在的域名（或子域名）、协议和端口号起作用。
搜索引擎蜘蛛在抓取网站页面前，会先看一下robots.txt的内容，哪些页面可以抓取，哪些页面被站长禁止抓取。当然，是否遵守robots文件的规则就靠自觉了，某些坏蜘蛛就不遵守，站长是没办法的，比如采集内容的、克隆网站的。
所以，robots.txt文件是站长禁止搜索引擎抓取某些页面的指令。但是要注意，页面没有被抓取，不意味着页面就不会被索引和收录，这是两个概念。详情参考爬行、抓取、索引的概念介绍贴子。
怎样写Robots文件
Robots文件的每行记录均由一个字段、一个冒号和一个值组成，标准格式是：
<field>:<optional space><value><optional space><#optional-comment>
其中<optional space>指的是可以加一个空格，但不是必须，通常建议加这个空格，比较容易读。
<#optional-comment>是另一个可选项，用于写些注释。
通常robots文件中的记录通常以User-agent开始，后面加上若干Disallow和Allow行。User-agent指定本记录用于哪个搜索引擎蜘蛛，Disallow是指定禁止抓取的文件或目录，Allow是指定允许抓取的文件或记录。
所有搜索引擎都支持的robots文件记录包括：
Disallow – 告诉蜘蛛不要抓取某些文件或目录。如下面代码将阻止所有蜘蛛抓取所有的网站文件：
User-agent: *
Disallow: /
Allow – 告诉蜘蛛应该抓取某些文件。Allow和Disallow配合使用，可以告诉蜘蛛某个目录下，大部分都不抓取，只抓取一部分。如下面代码将使蜘蛛不抓取ab目录下其他文件，而只抓取其中cd下的文件：
User-agent: *
Disallow: /ab/
Allow: /ab/cd
$通配符 – 匹配URL结尾的字符。如下面代码将允许蜘蛛访问以.htm为后缀的URL：
User-agent: *
Allow: .htm$
*通配符 – 告诉蜘蛛匹配任意一段字符。如下面一段代码将禁止所有蜘蛛抓取所有htm文件：
User-agent: *
Disallow: /*.htm
Sitemaps位置 – 告诉蜘蛛你的网站地图在哪里，格式为：
Sitemap: <sitemap_location>
Robots文件的注意事项
另外提醒大家注意的是，robots.txt文件可以不存在，返回404错误，意味着允许蜘蛛抓取所有内容。但抓取robots.txt文件时却发生超时之类的错误，可能导致搜索引擎不收录网站，因为蜘蛛不知道robots.txt文件是否存在或者里面有什么内容，这与确认文件不存在是不一样的。
另外，如果robots.txt文件不存在，而404页面上包含一些URL，可能会造成搜索引擎误将404页面的内容当作robots文件的内容，导致无法预测的后果。所以，即使想开放所有搜索引擎蜘蛛抓取所有内容，也最好放一个robots文件，哪怕是空的文件。
Robots文件的检测
写好robots文件后如果不确定是否写得正确，可以用搜索引擎官方工具检测验证。如百度资源平台的robots文件验证工具 https://ziyuan.baidu.com/robots/index
robots文件检测验证工具
输入网址后，验证工具会告诉你这个URL是否允许被抓取。
掌握robots文件用法和写法是SEO的基本功。遇到页面不被收录或收录骤降，robots文件也是第一个要检查的。
来源：seo每天一贴 Zac 昝辉
