为什么要关注 robots.txt 文件

对于零基础学习百度搜索引擎优化（SEO）的新手来说，robots.txt 是一个经常被忽略但又至关重要的基础文件。它就像一个“说明书”，告诉百度等搜索引擎的爬虫：哪些页面可以抓取、哪些页面应当忽略。正确设置 robots.txt 可以帮助你的网站更高效地被收录，同时避免隐私或后台页面意外暴露。

什么是 robots.txt

robots.txt 是一个纯文本文件，通常放在网站的根目录下（例如 https://www.example.com/robots.txt）。它使用一种标准化的语法，向爬虫声明访问规则。需要注意的是：robots.txt 是一种“协议”，并非强制命令——合规的搜索引擎会遵守其中的指令，但恶意爬虫可能无视它。

基本语法结构

一个最简单的 robots.txt 文件包含以下几部分：

• User-agent：指定规则对哪个爬虫生效。例如 User-agent: Baiduspider 表示针对百度爬虫，User-agent: * 表示针对所有爬虫。
• Disallow：禁止爬虫访问的路径。例如 Disallow: /admin/ 表示禁止爬取 admin 目录下的内容。
• Allow：允许爬虫访问的路径（通常与 Disallow 配合使用，用于在禁止范围内开放个别子目录）。
• Sitemap：声明你的 XML 站点地图位置，帮助搜索引擎更快发现网页。

零基础编写范例

假设你运营一个企业官网，后台管理地址为 /admin/，还有一个临时目录 /temp/ 不希望被收录，而其他页面全部欢迎搜索引擎抓取。那么一个典型的 robots.txt 可以这样写：

User-agent: *
Disallow: /admin/
Disallow: /temp/

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

如果你希望百度爬虫特别关注某些内容，也可以单独为百度指定更细致的规则，例如：

User-agent: Baiduspider
Disallow: /temp/
Allow: /temp/special/

User-agent: *
Disallow: /admin/

这样，百度爬虫在禁止 /temp/ 的同时，可以访问 /temp/special/ 目录；而其他爬虫仅被禁止访问 /admin/。

常见错误与注意事项

• 语法错误：Disallow 和 Allow 后面必须跟路径，且区分大小写。留空则代表允许。
• 禁止所有爬虫：不要轻易使用 Disallow: /，除非你确定想让整个网站从搜索结果中消失。
• 文件位置：必须放置在根目录，例如 https://你的域名/robots.txt，否则爬虫无法读取。
• 测试验证：百度站长平台提供了 robots.txt 测试工具，建议在修改后验证语法是否正确。

robots.txt 与 SEO 的关系

合理配置 robots.txt 可以带来以下好处：

• 避免搜索引擎抓取重复内容（如过滤分页参数、打印版网页）。
• 保护敏感资源（如后台、数据导出文件）不被索引。
• 引导蜘蛛优先抓取重要页面，提升抓取效率。

但也要注意：robtots.txt 并不能阻止 URL 被外部恶意访问，它只影响合规搜索引擎的抓取。真正需要保密的内容还应通过登录验证或 .htaccess 等方式保护。

总结

零基础学习 robots.txt 并不难，只要记住“User-agent”指定对象，“Disallow”设置禁止路径，“Allow”设置例外路径，再加上可选的 Sitemap 声明，就能为你的网站创建一份清晰的爬取指南。建议新手在修改前先备份原文件，并借助站长工具观察收录变化，逐步优化。