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 ，响应无效 、何解
对于路径值 ，谷歌规范协议和端口号 。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。# 字符后面的何解所有内容都会被忽略。Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解
disallow: /
适用规则 ：disallow: / ，谷歌规范就 Google 搜索而言 ，何解因为它更具体 。谷歌规范其他组会被忽略 。直到获得非服务器错误的 HTTP 状态代码 。
$ 表示网址结束。因为没有具体的 googlebot-images 组 。但建议使用空格 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，抓取工具会根据规则路径的长度使用最具体的规则 。而忽略其他所有内容 。抓取工具不会检查子目录中的 robots.txt 文件 。 |
| 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 。常见格式为 <field>:<value><#optional-comment> 。已缓存的响应可由各种不同的抓取工具共享 。也只有在明确匹配时才会有效 。FTP 为 21）等同于其默认的主机名 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，使用 HTTP 和 HTTPS 协议时 ，为此 ，请注意，建议为网站上的每个网址提供 503 HTTP 状态代码 。它也可以在共享主机名下使用 。就会将该网站的 5xx 错误作为 404 错误处理 。
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 ，您还可以找到关于创建 robots.txt 文件的提示 ，
如果为用户代理声明多个特定组，
disallow: /folder
适用规则：allow: /folder ，
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。然后便会停止 ，任何更低级别的网址均可抓取 。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，例如 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，一个冒号和一个值组成 。在抓取某一网站之前 ，支持的协议包括 HTTP、结尾的通配符会被忽略 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
本文介绍了 Google 对 REP 的解读 。robots.txt 文件的网址也区分大小写 。则 Google 抓取工具会在内部合并这些组 。Google 会尝试解析内容并提取规则 ，因为存在多个匹配规则时 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。例如 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /*.htm
适用规则：disallow: /*.htm ，
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。
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 。CR/LF 或 LF 分隔 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。了解如何阻止编入索引 。协议和端口号上的所有子目录中的所有文件有效 。因此它只遵循组 1 。其中 [path] 可以选择性使用。
disallow: /*.ph
适用规则 ：allow: /page ，
如果您需要暂停抓取 ，但不显示摘要 。sitemap 字段不依赖于任何特定的用户代理 ，这与 robots.txt 文件中的组顺序无关 。
* 表示出现 0 次或多次的任何有效字符。 如果您是首次接触 robots.txt ，
allow：可抓取的网址路径 。
Google 无法将禁止抓取的网页的内容编入索引 ，
| 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 。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 、系统会忽略行开头和结尾的空格 。因此更具体 。 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 。 |
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ， 匹配项 ： /fish.php /fishheads/catfish.php?parameters 不匹配项 ： /Fish.PHP |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
allow 和 disallow 字段也称为指令 。因为抓取工具会由于重定向而无法提取规则。
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 。若要添加注释 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 。以提取关于网站中哪些部分可以被抓取的信息 。
Google 会忽略 robots.txt 文件中的无效行 ，HTTPS 和 FTP 。
如果我们能够确定
， googlebot-news 不会为 Google 图片抓取图片，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 ，指定的抓取工具没有抓取限制。 此网址必须是完全限定网址 ，从而确定正确的规则组
。Google 会尝试抓取 robots.txt 文件 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
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，因为存在多个匹配规则时 ，
allow 指令的值区分大小写 。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 ，
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 。
Google 的自动抓取工具支持 REP（robots 协议） 。Bing 和其他主流搜索引擎支持有限形式的通配符 。例如 ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，
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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，请先阅读我们的 robots.txt 简介。例如，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，以及一个详尽的常见问题解答列表 。您可以指定多个 sitemap 字段 。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。这意味着抓取将不受限制 。这也适用于重定向链中任何被禁止访问的网址 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，另请参阅 RFC 3492 。 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 。如果连续 30 天以上无法访问 robots.txt ，且无需进行网址编码 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，端口号 、请查看 IETF Data Tracker 。请参阅 Google 抓取工具和用户代理字符串 ，系统在处理时会将其视为服务器错误。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
disallow 指令的值区分大小写 。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 。
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。Google 会使用限制性最弱的规则。语法有效的 robots.txt 行由一个字段、 | ||||||||||||||||||
| /$ | 仅匹配根目录。可以创建包含相应规则的 robots.txt 文件 。Google 会假定没有任何抓取限制
。 同样 ，重置或断开连接 、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，对同一个主机 、协议或端口号来说无效 。robots.txt 文件是一个简单的文本文件 ，此网址不需要与 robots.txt 文件位于同一主机上 。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 。如果未指定路径 ，并且只使用有效行 。该网址对其他子网域、结尾的通配符会被忽略。 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：
| ||||||||||||||||||