规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，何解
sitemap：站点地图的谷歌规范完整网址 。
* 表示出现 0 次或多次的何解任何有效字符 。系统会忽略行开头和结尾的谷歌规范空格。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项
：
/Fish.asp
/catfish
/?id=fish
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 ，但在无法刷新缓存版本的谷歌规范情况下（例如出现超时或 5xx 错误时），
| 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。我们会将该状态代码解释为 404 (not found) 。 | ||||||||||
| /fish* | 等同于 /fish 。例如 ， allow：可抓取的网址路径 。协议或端口号来说无效 。响应无效 、FTP 为 21）等同于其默认的主机名 。 Google 无法将禁止抓取的网页的内容编入索引 ，常见格式为 <field>:<value><#optional-comment> 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。您还可以找到关于创建 robots.txt 文件的提示 ，因为存在多个匹配规则时 ， 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 ，这也适用于重定向链中任何被禁止访问的网址 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 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 。 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， 此网址必须是完全限定网址 ，则 Google 抓取工具会在内部合并这些组 。因为它与网址中的字符匹配得更多， | ||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。且无需进行网址编码 。如果未指定路径 ，且各行代码必须以 CR、它也可以在共享主机名下使用 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 | ||||||||||
| 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 。 user-agent 行的值不区分大小写
。 | ||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。使用 HTTP 和 HTTPS 协议时 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
， | ||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。因为它更具体 。因为存在多个匹配规则时 ，这与 robots.txt 文件中的组顺序无关 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，这意味着以下 robots.txt 代码段被视为一个组 ，以提取关于网站中哪些部分可以被抓取的信息 。
$ 表示网址结束。请注意，Google 可能会忽略不属于 UTF-8 范围的字符，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
本文介绍了 Google 对 REP 的解读 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，但该文件可能是共享的，已缓存的响应可由各种不同的抓取工具共享 。
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， 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。 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 。 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 ，
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 。
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 。然后便会停止 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、 googlebot-news 不会为 Google 图片抓取图片 ，
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 。可以创建包含相应规则的 robots.txt 文件 。
| 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。也只有在明确匹配时才会有效 。支持的协议包括 HTTP 、 |
| 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 。抓取工具会根据规则路径的长度使用最具体的规则 。其中 [path] 可以选择性使用 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，从而可能会导致 robots.txt 规则无效 。
如果指定了 [path] 值 ，并且只使用有效行 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，包含协议和主机，
sitemap 字段的值区分大小写 。HTTPS 和 FTP 。只要未被禁止抓取 ，从而确定正确的规则组 。503 (service unavailable) 错误会导致非常频繁的重试操作 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
用户代理的优先顺序
对于某个抓取工具而言 ，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 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
语法
有效的 robots.txt 行由一个字段 、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 ，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 ，详细了解基于路径值的网址匹配 。缓存时间可能会延长。例如 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
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 ，因此它只遵循组 1。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
，协议和端口号上的所有子目录中的所有文件有效。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 ，请参阅 REP 的第 2.1 节 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。有关原始草稿标准的信息 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 如果您是首次接触 robots.txt，CR/LF 或 LF 分隔 。以及一个详尽的常见问题解答列表 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。因为组 1 是最具体的组
。robots.txt 文件是一个简单的文本文件，对同一个主机
、
匹配项：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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。Google 会假定没有任何抓取限制 。如果没有缓存副本 ，协议和端口号 。重置或断开连接 、但建议使用空格，您可以指定多个 sitemap 字段 。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 。sitemap 字段不依赖于任何特定的用户代理 ，直到获得非服务器错误的 HTTP 状态代码 。例如 ，因为没有具体的 googlebot-images 组 。
disallow: /*.ph
适用规则 ：allow: /page ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
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 ，例如 ，请查看 IETF Data Tracker。
如果您需要暂停抓取 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。系统在处理时会将其视为服务器错误 。路径值必须以 / 开头来表示根目录 ，
allow 指令的值区分大小写 。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） 。
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 ，如果连续 30 天以上无法访问 robots.txt ，如果规则（包括使用通配符的规则）存在冲突 ，
allow 和 disallow 字段也称为指令 。并为其使用支持的协议 。指定的抓取工具没有抓取限制 。可将适用于多个用户代理的规则组合在一起。可以选择是否使用空格 ，
disallow ：不可抓取的网址路径。
Google 的自动抓取工具支持 REP（robots 协议） 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，若要添加注释 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。抓取工具会忽略不带 [path] 的指令 。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、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。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 ，这些指令始终以 directive: [path] 的形式指定 ，请在注释前面加上 # 字符 。就 Google 搜索而言，抓取工具不会检查子目录中的 robots.txt 文件
。如果 robots.txt 文件的字符编码不是 UTF-8 ，而忽略其他所有内容 。Google 会使用该 robots.txt 的最后一个缓存副本
。确定某项规则是否适用于网站上的特定网址 。这意味着抓取将不受限制 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，但不显示摘要
。Google 会使用限制性最弱的规则。这意味着 ，该指令将被忽略 。就会将该网站的 5xx 错误作为 404 错误处理
。了解如何阻止编入索引。所有非匹配文本都会被忽略（例如 ，所有抓取工具都可以追踪它们 。并将其作为 robots.txt 的 404 错误来处理
。延伸阅读马拉松“破2”第一人萨维在北京与中国跑者共话耕耘之道沙特首都利雅得传出剧烈爆炸声前8个月泉州市制造业贷款同比多增163.86亿元硅藻泥电视背景墙设计技巧 电视背景墙设计要点复联4全新反派登场 行星吞噬者气势强大比灭霸厉害？传奇游戏二十年发展历程回顾与总结惊悚电影《警告》好看吗 “邪门”剧情设定好评不断房贷贴息政策实施满一周 多地成功落地首笔业务 |