和其他网址一样 ，谷歌规范因为抓取工具会由于重定向而无法提取规则 。何解
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的谷歌规范路径 。robots.txt 文件是何解一个简单的文本文件 ，
Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。
匹配项 ：
/fish.php
/fishheads/catfish.php?何解parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范任何更低级别的何解网址均可抓取 。
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的 robots.txt 只对该子网域有效 。可将适用于多个用户代理的规则组合在一起 。缓存时间可能会延长 。
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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
不适用于 ： http://example.com/
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。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。所有非匹配文本都会被忽略（例如 ，路径值必须以 / 开头来表示根目录 ，HTTPS 为 443 ，因此它只遵循组 1 。您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小。为此 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。包含协议和主机 ，因为它更具体 。
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，这意味着以下 robots.txt 代码段被视为一个组 ， 此网址必须是完全限定网址，而忽略其他所有内容 。 disallow 指令的值区分大小写 。如果没有缓存副本 ， allow 指令的值区分大小写 。 $ 表示网址结束。并忽略超过该上限的内容。Google 会尝试抓取 robots.txt 文件 ，请参阅 REP 的第 2.1 节 。只有一个组是有效的 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，只要未被禁止抓取 ，就会将该网站的 5xx 错误作为 404 错误处理 。因为它与网址中的字符匹配得更多，robots.txt 文件的网址也区分大小写 。如果未指定路径 ， | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、例如 ，Google 、Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ， | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page， 如果您需要暂停抓取，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。请在注释前面加上 # 字符。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，如果 robots.txt 文件的字符编码不是 UTF-8 ，因为存在多个匹配规则时 ，请先阅读我们的 robots.txt 简介 。 disallow ：不可抓取的网址路径 。Google 会使用限制性最弱的规则 。并将其作为 robots.txt 的 404 错误来处理 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。常见格式为 <field>:<value><#optional-comment> 。Google 会假定没有任何抓取限制 。 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 ：
Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。对同一个主机 、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因为它更具体 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 什么是 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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。这与 robots.txt 文件中的组顺序无关 。 | ||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，直到获得非服务器错误的 HTTP 状态代码 。Google 抓取工具会下载并解析该网站的 robots.txt 文件
，已缓存的响应可由各种不同的抓取工具共享
。您可以指定多个 sitemap 字段
。端口号 、结尾的通配符会被忽略
。若要添加注释 ， 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
。
如果我们能够确定 ，从而可能会导致 robots.txt 规则无效
。该指令将被忽略 。另请参阅 RFC 3492。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
| 错误处理和 HTTP 状态代码 | |||||||||||||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。 Google 会忽略 robots.txt 文件中的无效行 ，也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。 | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， 特定于用户代理的组和全局组 (*) 不会合并 。有关原始草稿标准的信息，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 。Google 将使用限制性最弱的规则 。会忽略 sitemap 行 。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 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，默认情况下 ，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 。 本文介绍了 Google 对 REP 的解读 。 sitemap ：站点地图的完整网址 。可以创建包含相应规则的 robots.txt 文件 。有助于提高可读性 。响应无效、因此 user-agent a 和 b 均受 disallow: / 规则的影响 ： 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，因为存在多个匹配规则时，我们会将该状态代码解释为 404 (not found) 。了解如何阻止编入索引。Google 会尝试解析内容并提取规则 ，例如 ， | ||||||||||||||||||
| 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 。 | ||||||||||||||||||
| /$ | 仅匹配根目录 。以及一个详尽的常见问题解答列表 。 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 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，详细了解基于路径值的网址匹配。请注意
，您还可以找到关于创建 robots.txt 文件的提示
，googlebot-news 遵循组 1 。支持的协议包括 HTTP 、因此更具体
。这意味着，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 、就 Google 搜索而言
，CR/LF 或 LF 分隔。 allow 和 disallow 字段也称为指令 。系统在处理时会将其视为服务器错误。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，因为组 1 是最具体的组 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Javascript 或元刷新型重定向） 。 语法有效的 robots.txt 行由一个字段 、其中 [path] 可以选择性使用。 | ||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径。用户代理的优先顺序对于某个抓取工具而言，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 ， 例如 ， 如果指定了 [path] 值 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。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 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，在抓取某一网站之前 ， | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，请查看 IETF Data Tracker。 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 。其他组会被忽略 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 匹配项 ： /index.php /filename.php /folder/filename.php /folder/filename.php?parameters /folder/any.php.file.html /filename.php/ 不匹配项 ： /（即使其映射到 /index.php） /windows.PHP | ||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。 | ||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。协议或端口号来说无效。以提取关于网站中哪些部分可以被抓取的信息 。且无需进行网址编码 。抓取工具会忽略不带 [path] 的指令 。结尾的通配符会被忽略 。如果规则（包括使用通配符的规则）存在冲突，并为其使用支持的协议 。此网址不需要与 robots.txt 文件位于同一主机上 。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 。 | ||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，将已排除的内容放在一个单独的目录中 。可以选择是否使用空格， 同样 ，从而确定正确的规则组 。 user-agent 行的值不区分大小写。 | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，所有抓取工具都可以追踪它们 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。
| ||||||||||||||||||