robots.txt協議是一種網站用來指示網路爬蟲（如搜尋引擎機器人）哪些頁面可以爬取、哪些禁止訪問的標準協議。它通過在網站根目錄放置一個名為「robots.txt」的純文字文件，控制爬蟲的爬取行為，幫助網站控制流量和保護私有內容，同時優化搜尋引擎的爬取效率。
robots.txt的主要功能- 限制爬蟲訪問特定頁面或目錄：通過指定「Disallow」規則阻止爬蟲爬取不希望公開的資源（如管理後台、重複內容頁等）。
- 允許爬蟲訪問特定頁面或目錄：可用「Allow」規則明確指定允許爬取的路徑。
- 指定站點地圖位置：可通過「Sitemap」告知爬蟲站點地圖文件的位置，幫助爬蟲更有效地索引網站。
基本語法元素
- User-agent：目標爬蟲名稱（如Googlebot），用「*」表示所有爬蟲。
- Disallow：禁止訪問的路徑。
- Allow：允許訪問的路徑。
- Sitemap：網站地圖URL。
注意事項
- robots.txt是告訴爬蟲如何爬取的「協議」，不是強制執行，部分爬蟲可能忽略；
- 它不能用來防止頁面被索引或顯示，若要防止索引須用noindex標籤；
- 文件必須放在網站根目錄，地址為 https://網站域名/robots.txt。
作用
- 防止伺服器因爬蟲高流量過載，
- 管理網站資源的曝光與隱私，
- 提高搜尋引擎優化（SEO）效率。
簡言之，robots.txt協議是一種網站與爬蟲之間的溝通協議，用於指導爬蟲的抓取行為，保障網站資源安全及搜索引擎爬取效率的核心工具。
