理解robots.txt在百度SEO中的作用
在百度搜索引擎优化中，robots.txt（爬虫协议）是一个基础但极易被忽视的文件。它告诉百度爬虫哪些页面可以抓取、哪些应该跳过。正确编写robots.txt不仅能保护隐私内容不被收录，还能合理分配爬虫抓取预算，让重要页面获得更多收录机会。
很多站长认为robots.txt只是简单“允许”或“禁止”，实际上，写错了可能导致首页被屏蔽，写漏了又可能让重复页面消耗抓取配额。下面从百度爬虫的特性出发，梳理robots.txt的常见误区与实用写法。
百度爬虫的User-agent标识
在robots.txt中，User-agent指定规则适用的爬虫。对于百度，需要关注以下标识：
- Baiduspider：百度网页搜索爬虫，覆盖绝大多数网页抓取任务。
- Baiduspider-image：百度图片搜索爬虫。
- Baiduspider-video：百度视频搜索爬虫。
- Baiduspider-news：百度新闻搜索爬虫。
- Baiduspider-feedback：百度移动端及反馈类爬虫。
如果希望所有爬虫（包括百度和其他搜索引擎）遵守同一规则，可以使用通配符 User-agent: *。但在百度SEO实践中，建议专门为Baiduspider设置规则，避免误伤其他搜索引擎，也便于精细化控制。
禁止抓取的正确与错误示例
最常见需求是屏蔽后台、登录页、统计脚本等不需要收录的目录。请看以下对比：
| 写法 | 说明 | 评价 |
|---|---|---|
Disallow: /admin/ | 禁止爬虫访问admin目录下所有内容 | ✅ 正确 |
Disallow: /admin | 禁止爬虫访问路径以admin开头的所有URL（如/admin123也会被禁） | ⚠️ 可能误伤 |
Disallow: /css/ | 不建议屏蔽样式文件，百度依赖CSS判断页面质量 | ❌ 可能导致页面抓取不完整 |
另外，Disallow后面不要写域名全路径，例如Disallow: https://www.example.com/admin/是错误的。robots.txt里的路径是相对于网站根目录的，正确写法应为Disallow: /admin/。
Allow配合Disallow实现精细控制
有时需要“屏蔽大部分，只开放少数”。例如希望百度只抓取news目录下的某几个子栏目，可以这样写：
User-agent: Baiduspider
Disallow: /news/
Allow: /news/industry/
Allow: /news/company/
注意顺序：Allow优先于Disallow。先禁止全部，再开放特定子目录，爬虫会按照规则允许抓取Allow后的路径。这种方式适合内容分类明确、只想让精品栏目被收录的网站。
Sitemap声明与抓取延迟
在robots.txt中可以直接声明Sitemap位置，方便百度快速定位网站结构：
Sitemap: https://www.example.com/sitemap.xml
Sitemap: https://www.example.com/sitemap_news.xml
这一行不依赖User-agent，直接放在文件末尾即可。另外，部分网站需要控制爬取频率，可以使用Crawl-delay指令（百度官方未强制要求，但部分商业版爬虫会遵守）。例如：
User-agent: Baiduspider
Crawl-delay: 5
表示每次抓取后等待5秒再发起下一次请求。这适合服务器负载敏感的站点，但注意设置过大会拖慢收录速度，一般建议从3到5秒开始测试。
常见错误排查清单
写完后务必检查以下几项，一个标点错误可能导致整站不被收录：
- 文件必须放在根目录，例如
https://www.example.com/robots.txt。 - 每行指令正确换行，不能有空行在User-agent和Disallow之间（仅允许多个规则间用空行分隔不同的User-agent组）。
- 协议写完整：规则行末尾不需要分号或注释符。注释使用
#开头。 - 测试工具利用起来：百度搜索资源平台提供“robots.txt工具”，可以模拟抓取并反馈是否有语法错误。
总结：robots.txt应随网站迭代而更新
爬虫协议不是写一次就万事大吉。当网站新增栏目、改版URL结构或更换CMS时，应同步检查robots.txt。同时要避免反向操作：不要用robots.txt来屏蔽骚扰爬虫的垃圾链接，那是防火墙的工作。把robots.txt用在刀刃上，才能让百度蜘蛛把有限的抓取精力用在最有价值的内容上。
以及期间也会有一定数量的脱落，比如断缴、无人领取等情况，虽然概率低，但基数大了，也会有相当的规模。
评论区
热门讨论 · 占位展示期待你的精彩发言。