什么是robots.txt？
robots.txt是一个协议，而不是一个命令。robots.txt是搜索引擎中访问网站的时候要查看的第一个文件。robots.txt文件告诉蜘蛛程序在服务器上什么文件是可以被查看的。
robots.txt文件中设置的禁止收录的网页，网页上的内容不会被抓取、建入索引和显示，百度搜索结果中展示的仅是其他网站对您相关网页的描述。
robots.txt在SEO中作用
鉴于网络安全与隐私的考虑，搜索引擎遵循robots.txt协议。通过根目录中创建的纯文本文件robots.txt，网站可以声明不想被robots访问的部分。每个网站都可以自主控制网站是否愿意被搜索引擎收录，或者指定搜索引擎只收录指定的内容。当一个搜索引擎的爬虫访问一个站点时，它会首先检查该站点根目录下是否存在robots.txt，如果该文件不存在，那么爬虫就沿着链接抓取，如果存在，爬虫就会按照该文件中的内容来确定访问的范围。
robots.txt文件的写法
语法：最简单的 robots.txt 文件使用两条规则：
User-Agent: 适用下列规则的漫游器
Disallow: 要拦截的网页
Allow:允许的网页
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的动态页面
Disallow: /jpg$ 禁止抓取网页所有的.jpg格式的图片
Disallow:/ab/adc.html 禁止爬去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
robots.txt文件用法举例 （参照上面的一一举例）
豆瓣的案例举例：
User-agent: * 定义所有搜索引擎
Disallow: /subject_search 这里定义是禁止爬寻subject_search目录下面的目录
Disallow: /amazon_search 这里定义是禁止爬寻amazon_search目录下面的目录
Disallow: /forum/ 这里定义是禁止爬寻forum目录下面的目录
Disallow: /new_subject 这里定义是禁止爬寻new_subject目录下面的目录
Disallow: /service/iframe 这里定义是禁止爬寻service目录下面的iframe文件（有疑点）
Disallow: /j/ 这里定义是禁止爬寻j目录下面的目录
Disallow: /link2/ 这里定义是禁止爬寻link2目录下面的目录
Disallow: /recommend/ 这里定义是禁止爬寻recommend目录下面的目录
Sitemap: http://www.douban.com/sitemap_index.xml sitemap文件的链接
Sitemap: http://www.douban.com/sitemap_updated_index.xml sitemap文件的链接
User-agent: Slurp 定义Yahoo搜索引擎
User-agent: Sosospider 定义搜搜搜索引擎
Crawl-delay: 5 设定5秒的抓取，请求频率（Cralw-delay的大小应该根据服务器能够承受的压力和机器人的数量来确定。）
Visit-time: 0100-1300 #允许在凌晨1:00到下午13:00访问
Request-rate: 40/1m 0100 - 0759 40/1m 0100 - 0759 在1:00到07:59之间,以每分钟40次的频率进行访问
Request-rate: 12/1m 0800 - 1300 12/1m 0800 - 1300 在8:00到13:00之间,以每分钟12次的频率进行访问
Robots Meta标签
Robots Meta标签中没有大小写之分，name=”Robots”表示所有的搜索引擎，可以针对某个具体搜索引擎写为name=”BaiduSpider”。
content部分有四个指令选项：index、noindex、follow、nofollow，指令间以“,”分隔。
index指令告诉搜索机器人抓取该页面；
follow指令表示搜索机器人可以沿着该页面上的链接继续抓取下去；
robots.txt注意点：
robots里面内容的大小写不可更改，Disallow后面的冒号必须为英文状态的。
robots.txt使用误区
误区一
很多网站允许搜索引擎抓取网站上所有内容，这时候就不需要设置robots.txt
误区二
脚本程序、样式表等文件即使被蜘蛛收录，也不会增加网站的收录率，那这时就需要进行设置robots.txt
robots.txt使用技巧
1：动态网页和静态网页，一个网站上如果伪静态了所有页面，那就应该屏蔽所有动态页面。
2：robots.txt文件里还可以直接包括在sitemap文件的链接。就像这样：Sitemap: http://www.***.com/sitemap.xml
3：robots.txt文件还能避免访问时出错。404错误屏蔽。大批量404错误时，应该将404页面整理到一个sitemap文件里，提交给搜索引擎，然后再用robots屏蔽。
4：程序文件不被抓取。一般网站中不需要蜘蛛抓取的文件有：后台管理文件、程序脚本、附件、数据库文件、编码文件、样式表文件、模板文件、导航图片和背景图片等等。
