Robots.txt
robots.txt是一个小文本文件，位于网站的根目录中，是用来告诉搜索引擎网站上哪些内容可以被访问、哪些不能被访问。当搜索引擎访问一个网站的时候，它首先会检查网站是否存在robots.txt
使用方法
- 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
写好以后上传网站根目录，可以在百度站长平台检测是否生效
