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，Google 、何解
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，谷歌规范因为它与网址中的何解字符匹配得更多 ，从而确定正确的谷歌规范规则组 。有关原始草稿标准的何解信息，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范
缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时 ，请查看 IETF Data Tracker。谷歌规范如果没有缓存副本 ，何解Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。谷歌规范并忽略超过该上限的何解内容 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范HTTPS 为 443 ，何解抓取工具不会检查子目录中的谷歌规范 robots.txt 文件。
同样 ，将已排除的内容放在一个单独的目录中 。
$ 表示网址结束 。因为存在多个匹配规则时
，则 Google 抓取工具会在内部合并这些组 。常见格式为 <field>:<value><#optional-comment> 。HTTPS 和 FTP 。但可能仍会将其网址编入索引并将其显示在搜索结果中，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，该网址对其他子网域、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、若要添加注释，这也适用于重定向链中任何被禁止访问的网址
，请参阅 Google 抓取工具和用户代理字符串 ，
disallow: /
适用规则 ：allow: /$ ，
| 示例情况 | |||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，请注意， | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。抓取工具会忽略不带 [path] 的指令 。可以选择是否使用空格 ， user-agent 行的值不区分大小写 。 | ||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， | ||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应，因为它更具体 。默认情况下 ， 此网址必须是完全限定网址 ，如果 robots.txt 文件的字符编码不是 UTF-8
，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，所有抓取工具都可以追踪它们 。重置或断开连接 、且无需进行网址编码。端口号 、缓存时间可能会延长 。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 ，协议和端口号上的所有子目录中的所有文件有效 。 特定于用户代理的组和全局组 (*) 不会合并 。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 。从而可能会导致 robots.txt 规则无效 。 和其他网址一样 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，# 字符后面的所有内容都会被忽略 。例如 ，Google 、 如果指定了 [path] 值 ，请先阅读我们的 robots.txt 简介。 语法有效的 robots.txt 行由一个字段 、 | ||||||||||||||||||||
| 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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 Google 的自动抓取工具支持 REP（robots 协议） 。任何更低级别的网址均可抓取 。抓取工具会忽略不含路径的指令。抓取工具会根据规则路径的长度使用最具体的规则 。这意味着以下 robots.txt 代码段被视为一个组，路径值必须以 / 开头来表示根目录 ，并且只使用有效行 。 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 。因为组 1 是最具体的组 。例如 ，这些指令始终以 directive: [path] 的形式指定 ， 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 ， disallow ：不可抓取的网址路径 。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 ， | ||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 如果您是首次接触 robots.txt，确定某项规则是否适用于网站上的特定网址 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 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 。直到获得非服务器错误的 HTTP 状态代码
。已缓存的响应可由各种不同的抓取工具共享 。 | ||||||||||||||||||||
| 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 。即使有相关抓取工具的对应条目 ， 对于路径值 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。而忽略其他所有内容 。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 ，协议或端口号来说无效 。有助于提高可读性。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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 | ||||||||||||||||||||
| 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，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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 ，此网址不需要与 robots.txt 文件位于同一主机上 。详细了解基于路径值的网址匹配 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，robots.txt 文件的网址也区分大小写 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。并为其使用支持的协议。 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：
用户代理的优先顺序对于某个抓取工具而言 ，Google 会使用该 robots.txt 的最后一个缓存副本。您还可以找到关于创建 robots.txt 文件的提示 ， | ||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，因为 allow 规则仅适用于根网址
。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 ， 如果您需要暂停抓取 ，robots.txt 文件是一个简单的文本文件 ，系统会忽略行开头和结尾的空格 。只有一个组是有效的 。 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 。 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 ，googlebot-news 遵循组 1 。 | ||||||||||||||||||||
| /* | 等同于 /。在此情况下，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、响应无效 、支持的协议包括 HTTP 、Google 会尝试解析内容并提取规则 ， | ||||||||||||||||||||
| /$ | 仅匹配根目录。因为抓取工具会由于重定向而无法提取规则 。 allow ：可抓取的网址路径 。 | ||||||||||||||||||||
| 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 。Google 将使用限制性最弱的规则。指定的抓取工具没有抓取限制。所有非匹配文本都会被忽略（例如 ，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），另请参阅 RFC 3492 。 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，系统在处理时会将其视为服务器错误 。但不显示摘要 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，包含协议和主机 ，例如 ，这意味着 ，该值区分大小写 。如果规则（包括使用通配符的规则）存在冲突 ，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）。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。就 Google 搜索而言 ， sitemap ：站点地图的完整网址 。 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。Google 会尝试抓取 robots.txt 文件，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 。如果连续 30 天以上无法访问 robots.txt，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、 | ||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。Google 可能会忽略不属于 UTF-8 范围的字符 ， Google 会忽略 robots.txt 文件中的无效行 ，且各行代码必须以 CR 、您可以指定多个 sitemap 字段 。因为没有具体的 googlebot-images 组。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 ，Javascript 或元刷新型重定向） 。并将其作为 robots.txt 的 404 错误来处理。 | ||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。该指令将被忽略。 例如 ， robots.txt 文件中列出的规则只适用于该文件所在的主机
、 | ||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||||||||||||||||||