在网站上线后，如何让搜索引擎顺利抓取你的内容，是每个SEO新手必须面对的第一个问题。而robots.txt文件，正是你与百度等搜索引擎爬虫沟通的第一道“指令”，它告诉爬虫哪些页面可以访问、哪些需要避开。如果配置不当，可能造成重要页面未被收录，或反之将后台、隐私页面暴露给爬虫。
本教程将从零开始，带你一步步掌握robots.txt的编写与实战技巧，确保你的网站从一开始就对爬虫友好。
什么是robots.txt？
robots.txt是一个纯文本文件，放在网站根目录下。它的作用类似于“访客须知”，告诉来访的爬虫：哪些目录可以进入，哪些需要止步。百度蜘蛛、谷歌爬虫等都会在抓取前先读取这个文件，然后按规则行动。
注意：robots.txt是一个建议性协议，并非强制法律规范。恶意爬虫可能无视规则，因此对敏感数据仍需通过其他安全手段保护。
robots.txt基础语法
一个标准的robots.txt文件通常包含以下指令：
- User-agent：指定规则对哪些爬虫生效，常用
User-agent: Baiduspider针对百度，User-agent: *代表所有爬虫。 - Disallow：禁止访问的路径，例如
Disallow: /admin/表示不让爬虫抓取admin目录下的内容。 - Allow：允许访问的路径，当同级有Disallow时，Allow可设置例外。
- Sitemap：告诉爬虫你的站点地图位置，例如
Sitemap: https://www.example.com/sitemap.xml。
实战：为你的网站配置爬虫友好型robots
下面以一个常见的企业网站为例，分步骤完成配置。
第一步：确定需要屏蔽的内容
通常以下内容不应被爬虫抓取：
- 后台管理目录（如
/admin/、/wp-admin/） - 用户登录、注册页面（如
/login/、/register/） - 临时测试页面或重复内容（如
/test/、/tmp/） - 搜索结果页面（避免产生大量低质量链接）
第二步：编写robots.txt文件
以一个WordPress站点为例，推荐的基础配置文件如下：
User-agent: Baiduspider Disallow: /wp-admin/ Disallow: /wp-includes/ Disallow: /wp-content/plugins/ Allow: /wp-content/uploads/ User-agent: * Disallow: /cgi-bin/ Disallow: /tmp/ Disallow: /search/ Sitemap: https://www.example.com/sitemap.xml
注意：Allow指令搭配Disallow使用，可对特定目录放行（如允许爬虫抓取图片上传目录）。
第三步：测试与验证
编写完成后，将文件上传到网站根目录（即通过https://www.example.com/robots.txt可访问）。你可以使用百度搜索资源平台的“robots工具”或直接在浏览器中打开该文件，检查语法是否有误。
| 常见错误 | 后果 | 解决方法 |
|---|---|---|
| Disallow路径末尾缺少斜杠 | 可能无法正确匹配目录 | 如/admin改为/admin/ |
| 遗漏Sitemap声明 | 爬虫无法快速找到地图 | 添加一行Sitemap绝对路径 |
| 同时使用Disallow和Allow冲突 | 爬虫按规则长度判断，结果不可控 | 尽量简化规则，避免多层级混合 |
进阶技巧：针对不同爬虫定制规则
如果你的网站主要面向百度搜索，可以单独为Baiduspider设置更宽松的规则，而对其他爬虫保持严格限制。例如：
- 对百度允许抓取所有图片资源，以便出现在图片搜索中。
- 对某些普通的爬虫，禁止抓取耗费服务器资源的动态页面。
但需注意，不要为了针对某一家搜索引擎而过度优化，保持规则的一致性更有利于长期收录。
总结与建议
robots.txt是SEO基础中容易被忽视却至关重要的一环。一个优秀的robots.txt文件，能帮助爬虫更快地找到你的优质内容，同时屏蔽无价值的页面，节省网站带宽和爬取配额。
建议在每次网站改版或新增目录后，检查并更新robots.txt。使用百度搜索资源平台提供的“抓取诊断”功能，可以直观地看到爬虫是否按你的意图行动。从写好robots.txt开始，让你的网站迈出SEO实战的坚实第一步。
据悉，长江证券通过长江资管和长信基金开展资产管理、公募业务，两者均有公募牌照。其中，长江资管成立于2014年，是长江证券全资子公司，于2016年1月、2017年6月相继获得公募基金管理业务、受托管理保险资金业务资格。
评论区
热门讨论 · 占位展示期待你的精彩发言。