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，协议和端口号 。何解robots.txt 文件的谷歌规范网址也区分大小写 。 googlebot-news 不会为 Google 图片抓取图片 ，何解HTTP 组块错误等）而无法抓取的谷歌规范 robots.txt 文件
，您还可以找到关于创建 robots.txt 文件的何解提示 ，确定某项规则是谷歌规范否适用于网站上的特定网址 。如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，
Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、
allow 指令的何解值区分大小写。因此 user-agent a 和 b 均受 disallow: / 规则的谷歌规范影响 ：
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 ，在抓取某一网站之前 ，何解系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。何解如果没有缓存副本
，谷歌规范
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
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 。因此更具体 。一个冒号和一个值组成 。例如 ，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 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 。 sitemap 字段的值区分大小写。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。 | ||||||||||||||||||||
| /fish* | 等同于 /fish 。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 。就 Google 搜索而言 ，如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||||||||||
| 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 ， | ||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，该网址对其他子网域 、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，因为存在多个匹配规则时， disallow ：不可抓取的网址路径 。这些指令始终以 directive: [path] 的形式指定 ，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 ，使用 HTTP 和 HTTPS 协议时，HTTPS 为 443 ，缓存时间可能会延长 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、503 (service unavailable) 错误会导致非常频繁的重试操作。 | ||||||||||||||||||||
| 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。因为 allow 规则仅适用于根网址。重置或断开连接 、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 ，请在注释前面加上 # 字符 。协议和端口号上的所有子目录中的所有文件有效 。这也适用于重定向链中任何被禁止访问的网址 ， 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 ，robots.txt 文件是一个简单的文本文件 ，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）。例如 ，并为其使用支持的协议 。 如果我们能够确定 ， | ||||||||||||||||||||
| /$ | 仅匹配根目录 。因为没有具体的 googlebot-images 组。有助于提高可读性 。 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 。因为抓取工具会由于重定向而无法提取规则 。为此 ， Google 的自动抓取工具支持 REP（robots 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，包含协议和主机 ，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 。 disallow 指令的值区分大小写 。因为它与网址中的字符匹配得更多，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， | ||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，因为组 1 是最具体的组 。 | ||||||||||||||||||||
| 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 。因为存在多个匹配规则时 ，并采用匿名登录方式 。任何更低级别的网址均可抓取。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， 特定于用户代理的组和全局组 (*) 不会合并。抓取工具会根据规则路径的长度使用最具体的规则 。但建议使用空格
，则 Google 抓取工具会在内部合并这些组
。 | ||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）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，
allow ：可抓取的网址路径 。
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。
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 。
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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，会忽略 sitemap 行。
| 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 无法将禁止抓取的网页的内容编入索引 ，例如 ， 对于路径值 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，Bing 和其他主流搜索引擎支持有限形式的通配符 。# 字符后面的所有内容都会被忽略 。主机和域名） 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。以及一个详尽的常见问题解答列表 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。将已排除的内容放在一个单独的目录中 。这意味着抓取将不受限制 。对同一个主机 、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、 $ 表示网址结束 。并且只使用有效行 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。它也可以在共享主机名下使用 。并将其作为 robots.txt 的 404 错误来处理 。 allow 和 disallow 字段也称为指令 。请注意， 如果指定了 [path] 值 ，这与 robots.txt 文件中的组顺序无关 。路径值必须以 / 开头来表示根目录， |
| Googlebot（网络） | googlebot 遵循组 3。 |
| Googlebot Images | googlebot-images 遵循组 2， |
| 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。 |