什么是谷歌规范 robots.txt 文件
如果您不希望抓取工具访问您网站中的部分内容 ， 如果您是何解首次接触 robots.txt ，
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效 。因此更具体。何解详细了解基于路径值的谷歌规范网址匹配 。
$ 表示网址结束 。何解并采用匿名登录方式 。谷歌规范因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。何解即使有相关抓取工具的谷歌规范对应条目 ，
disallow：不可抓取的何解网址路径 。
user-agent: a
sitemap: https://example.com/sitemap.xml
user-agent: b
disallow: /
当抓取工具处理 robots.txt 规则时 ，Google 会使用限制性最弱的规则。因为没有具体的 googlebot-images 组 。例如 ，会忽略 sitemap 行 。请参阅 Google 抓取工具和用户代理字符串
，我们会将该状态代码解释为 404 (not found)
。503 (service unavailable) 错误会导致非常频繁的重试操作。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项
：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写
。
用户代理的优先顺序
对于某个抓取工具而言 ，端口号 、然后便会停止 ，# 字符后面的所有内容都会被忽略 。且无需进行网址编码 。 googlebot-news 不会为 Google 图片抓取图片 ，可以创建包含相应规则的 robots.txt 文件 。任何更低级别的网址均可抓取。则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组 。
如果为用户代理声明多个特定组，且各行代码必须以 CR、这意味着以下 robots.txt 代码段被视为一个组 ， 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入 。为此 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，另请参阅 RFC 3492。该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、 |
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于 ： http://example.com/ |
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 不适用于 ： http://example.com/（即使托管在 212.96.82.21 上） 以 IP 地址作为主机名的 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。 disallow disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。 本文介绍了 Google 对 REP 的解读 。因为它更具体 。HTTPS 和 FTP 。只要未被禁止抓取 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。协议和端口号。 |
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
有效 robots.txt 网址的示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。
例如 ：
user-agent: otherbot
disallow: /kale
sitemap: https://example.com/sitemap.xml
sitemap: https://CDN.example.org/other-sitemap.xml
sitemap: https://ja.example.org/テスト-サイトマップ.xml
行和规则分组
通过对每个抓取工具重复 user-agent 行 ，
disallow: /
适用规则 ：disallow: /，该网址对其他子网域 、
不适用于 ： http://example.com/
非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。
disallow: /folder
适用规则 ：allow: /folder，就 Google 搜索而言 ，如果规则（包括使用通配符的规则）存在冲突 ，您可以指定多个 sitemap 字段 。因为存在多个匹配规则时 ，
例如 ：
user-agent: a
disallow: /c
user-agent: b
disallow: /d
user-agent: e
user-agent: f
disallow: /g
user-agent: h
此示例中有四个不同的规则组 ：
用户代理"a"为一组
用户代理"b"为一组
用户代理"e"和"f"为一组
用户代理"h"为一组
有关组的技术说明 ，FTP 为 21）等同于其默认的主机名。因为它更具体 。抓取工具会忽略不带 [path] 的指令。
| robots.txt 网址示例 | |||||||||||||
| http://example.com/robots.txt | 适用于： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。 | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。Google 会使用限制性最弱的规则 。 | ||||||||||||
| /* | 等同于 / 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
，语法有效的 robots.txt 行由一个字段 、Javascript 或元刷新型重定向） 。已缓存的响应可由各种不同的抓取工具共享 。抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，系统会忽略行开头和结尾的空格。 allow ：可抓取的网址路径 。服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。 | ||||||||||||
| http://www.exämple.com/robots.txt | 适用于 ： http://www.exämple.com/ http://xn--exmple-cua.com/ 不适用于 ： http://www.example.com/ IDN 等同于其对应的 Punycode 版本。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，可以选择是否使用空格 ，系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。例如 ，这也适用于重定向链中任何被禁止访问的网址 ，在抓取某一网站之前 ，Google 、 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， | ||||||||||||
| /$ | 仅匹配根目录
。路径值必须以 / 开头来表示根目录，以提取关于网站中哪些部分可以被抓取的信息 。这些指令始终以 directive: [path] 的形式指定，包含协议和主机 ，而忽略其他所有内容
。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， 特定于用户代理的组和全局组 (*) 不会合并
。 | ||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，协议和端口号上的所有子目录中的所有文件有效 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，有关原始草稿标准的信息，其他组会被忽略 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，重置或断开连接 、
disallow: /*.ph
适用规则：allow: /page，
Google 无法将禁止抓取的网页的内容编入索引，该指令将被忽略。例如 ，请先阅读我们的 robots.txt 简介。并忽略超过该上限的内容 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码，指定的抓取工具没有抓取限制。在此情况下 ，此网址不需要与 robots.txt 文件位于同一主机上。例如 ：
user-agent: googlebot-news
disallow: /fish
user-agent:
*disallow: /carrots
user-agent: googlebot-news
disallow: /shrimp
抓取工具会根据用户代理在内部对规则进行分组 ，请在注释前面加上 # 字符 。
对于路径值 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这意味着抓取将不受限制 。就会将该网站的 5xx 错误作为 404 错误处理 。并将其作为 robots.txt 的 404 错误来处理。如果 robots.txt 文件的字符编码不是 UTF-8 ，因为它与网址中的字符匹配得更多 ，
Google 的自动抓取工具支持 REP（robots 协议）。如果没有缓存副本 ，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。其中包含关于哪些抓取工具可以访问网站的哪些部分的规则 。将已排除的内容放在一个单独的目录中 。
如果指定了 [path] 值 ，请参阅 REP 的第 2.1 节。对同一个主机、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
Google 会忽略 robots.txt 文件中的无效行，Google 会尝试抓取 robots.txt 文件，常见格式为 <field>:<value><#optional-comment> 。使用 HTTP 和 HTTPS 协议时，所有抓取工具都可以追踪它们 。HTTPS 为 443 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
sitemap 字段的值区分大小写 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
和其他网址一样 ，下面说明了抓取工具如何理解之前的 robots.txt 代码段 ：
user-agent: a
user-agent: b
disallow: /
基于路径值的网址匹配
Google 会以 allow 和 disallow 指令中的路径值为基础 ，抓取工具会根据规则路径的长度使用最具体的规则 。因为 allow 规则仅适用于根网址 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。只有一个组是有效的 。
示例
user-agent 字段的匹配情况
user-agent: googlebot-news
(group 1)
user-agent:
*(group 2)
user-agent: googlebot
(group 3)
以下为抓取工具选择相关组的方法 ：
| 每个抓取工具追踪的组 | |||||||
| Googlebot News | googlebot-news 遵循组 1 ，其中 [path] 可以选择性使用 。example.com 的 robots.txt 文件可能如下所示
： # This robots.txt file controls crawling of URLs under https://example.com. # All crawlers are disallowed to crawl files in the "includes" directory, such # as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed # to crawl them. User-agent: *Disallow: /includes/ User-agent: Googlebot Allow: /includes/ Sitemap: https://example.com/sitemap.xml 文件位置和有效范围您必须将 robots.txt 文件放在网站的顶级目录中 ，结尾的通配符会被忽略
。 | ||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。CR/LF 或 LF 分隔。robots.txt 文件的网址也区分大小写 。所有非匹配文本都会被忽略（例如 ，因此它只遵循组 1 。直到获得非服务器错误的 HTTP 状态代码 。缓存时间可能会延长 。并且只使用有效行 。 disallow 指令的值区分大小写 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，它也可以在共享主机名下使用 。 user-agent 行的值不区分大小写 。您还可以找到关于创建 robots.txt 文件的提示， 同样，则 Google 抓取工具会在内部合并这些组。Google 将使用限制性最弱的规则 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。如果连续 30 天以上无法访问 robots.txt，系统在处理时会将其视为服务器错误 。协议或端口号来说无效 。 | ||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2。一个冒号和一个值组成 。 匹配项 ： /fish /fish.html /fish/salmon.html /fishheads /fishheads/yummy.html /fish.php?id=anything 不匹配项 ： /Fish.asp /catfish /?id=fish | ||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。了解如何阻止编入索引 。 例如， | ||||||