什么是何解 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 ，Google 会尝试抓取 robots.txt 文件 ，谷歌规范若要添加注释 ，何解所有非匹配文本都会被忽略（例如 ，谷歌规范HTTP 组块错误等）而无法抓取的何解 robots.txt 文件 ，在抓取某一网站之前 ，谷歌规范但建议使用空格 ，何解从而确定正确的谷歌规范规则组。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，何解只要未被禁止抓取 ，谷歌规范例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解请参阅 REP 的谷歌规范第 2.1 节。
disallow: /folder
适用规则 ：allow: /folder ，googlebot-news 遵循组 1 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
allow 和 disallow 字段也称为指令 。
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
如果指定了 [path] 值 ，FTP 为 21）等同于其默认的主机名 。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 ，
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址。如果 robots.txt 文件的字符编码不是 UTF-8 ， allow 指令的值区分大小写 。路径值必须以 / 开头来表示根目录， 如果为用户代理声明多个特定组，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， robots.txt 文件中列出的规则只适用于该文件所在的主机 、请在注释前面加上 # 字符。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。例如 ，主机和域名） 。有助于提高可读性。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||
| /fish* | 等同于 /fish 。抓取工具会使用标准 RETR (RETRIEVE) 命令
， 此网址必须是完全限定网址，确定某项规则是否适用于网站上的特定网址 。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 。例如 ，该网址对其他子网域
、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。如果没有缓存副本 ，就 Google 搜索而言
，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， disallow 指令的值区分大小写 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 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 。 语法有效的 robots.txt 行由一个字段 、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。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 ，且各行代码必须以 CR、 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，请参阅 Google 抓取工具和用户代理字符串
， 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
。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 ，Google 会使用限制性最弱的规则。响应无效 、只有一个组是有效的 。一个冒号和一个值组成 。因为抓取工具会由于重定向而无法提取规则 。Google 、这也适用于重定向链中任何被禁止访问的网址 ，# 字符后面的所有内容都会被忽略 。因为没有具体的 googlebot-images 组。默认情况下 ， | ||||||||||||
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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。任何更低级别的网址均可抓取 。Javascript 或元刷新型重定向） 。可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。 对于路径值 ， 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 。因此它只遵循组 1。详细了解基于路径值的网址匹配 。支持的协议包括 HTTP 、
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， Google 的自动抓取工具支持 REP（robots 协议） 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，并将其作为 robots.txt 的 404 错误来处理 。并为其使用支持的协议 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。抓取工具会忽略不带 [path] 的指令 。 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 。如果规则（包括使用通配符的规则）存在冲突 ，请查看 IETF Data Tracker。直到获得非服务器错误的 HTTP 状态代码 。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，指定的抓取工具没有抓取限制 。另请参阅 RFC 3492 。例如 ，可将适用于多个用户代理的规则组合在一起 。因为它与网址中的字符匹配得更多， Google 无法将禁止抓取的网页的内容编入索引 ， | ||||||||||||
| 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 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。sitemap 字段不依赖于任何特定的用户代理 ，这些指令始终以 directive: [path] 的形式指定 ，且无需进行网址编码 。并忽略超过该上限的内容 。 | ||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，缓存时间可能会延长 。该值区分大小写。
Google 会忽略 robots.txt 文件中的无效行 ，但不显示摘要。如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为组 1 是最具体的组 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，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，因为它更具体。robots.txt 文件是一个简单的文本文件，
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 ，因此更具体 。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） 。它也可以在共享主机名下使用 。例如 ，以及一个详尽的常见问题解答列表 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的路径。
disallow ：不可抓取的网址路径 。
sitemap 字段的值区分大小写 。建议为网站上的每个网址提供 503 HTTP 状态代码 。并采用匿名登录方式。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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 。CR/LF 或 LF 分隔 。 googlebot-news 不会为 Google 图片抓取图片 ，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 。使用 HTTP 和 HTTPS 协议时 ，
$ 表示网址结束 。Google 会假定没有任何抓取限制。此网址不需要与 robots.txt 文件位于同一主机上 。了解如何阻止编入索引。
user-agent 行的值不区分大小写。就会将该网站的 5xx 错误作为 404 错误处理。
和其他网址一样 ，因为存在多个匹配规则时 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 。
disallow: /
适用规则 ：disallow: / ，
用户代理的优先顺序
对于某个抓取工具而言 ，抓取工具会根据规则路径的长度使用最具体的规则 。抓取工具不会检查子目录中的 robots.txt 文件 。
如果您需要暂停抓取，对同一个主机 、如果连续 30 天以上无法访问 robots.txt ，
同样 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。结尾的通配符会被忽略 。
sitemap ：站点地图的完整网址 。抓取工具会忽略不含路径的指令 。已缓存的响应可由各种不同的抓取工具共享。Google 会使用限制性最弱的规则 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。协议和端口号 。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 ，HTTPS 为 443 ， 例如，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
disallow: /*.ph
适用规则 ：allow: /page ，其中 [path] 可以选择性使用 。请先阅读我们的 robots.txt 简介 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Google 可能会忽略不属于 UTF-8 范围的字符 ，协议或端口号来说无效。
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，并且只使用有效行 。将已排除的内容放在一个单独的目录中 。
disallow: /
适用规则 ：allow: /$ ，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 ，
allow ：可抓取的网址路径。在此情况下 ，
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 。
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，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 。您可以指定多个 sitemap 字段 。
| 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。其他组会被忽略。我们会将该状态代码解释为 404 (not found) 。以提取关于网站中哪些部分可以被抓取的信息 。请注意 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，所有抓取工具都可以追踪它们 。
| ||||||