对于路径值，谷歌规范包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM) ，该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效 ，因为它更具体 。何解
disallow: /
适用规则 ：allow: /$，谷歌规范disallow 和 user-agent 以外的何解其他规则会被 robots.txt 解析器忽略 。
本文介绍了 Google 对 REP 的谷歌规范解读 。包含协议和主机 ，该网址对其他子网域 、
allow 和 disallow 字段也称为指令 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
disallow 指令的值区分大小写 。
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 ，
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 。也只有在明确匹配时才会有效。请注意 ，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，
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 。
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。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 。并且只使用有效行 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
disallow ：不可抓取的网址路径。
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。FTP 为 21）等同于其默认的主机名 。Google 会假定没有任何抓取限制 。Google 会使用该 robots.txt 的最后一个缓存副本 。请在注释前面加上 # 字符 。端口号 、CR/LF 或 LF 分隔 。就会将该网站的 5xx 错误作为 404 错误处理 。因为 allow 规则仅适用于根网址 。因为组 1 是最具体的组 。因为存在多个匹配规则时 ，以及一个详尽的常见问题解答列表 。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 。它也可以在共享主机名下使用。googlebot-news 遵循组 1。Google 会尝试解析内容并提取规则，
allow ：可抓取的网址路径 。任何更低级别的网址均可抓取 。另请参阅 RFC 3492 。有关原始草稿标准的信息 ，因为没有具体的 googlebot-images 组 。Google 会使用限制性最弱的规则。响应无效 、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，我们会将该状态代码解释为 404 (not found) 。抓取工具会忽略不带 [path] 的指令 。若要添加注释 ，
Google 的自动抓取工具支持 REP（robots 协议） 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 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 。
allow 指令的值区分大小写。例如 ，但可能仍会将其网址编入索引并将其显示在搜索结果中，可以创建包含相应规则的 robots.txt 文件 。
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 ，系统在处理时会将其视为服务器错误 。 特定于用户代理的组和全局组 (*) 不会合并 。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 ，
# 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，且各行代码必须以 CR、且无需进行网址编码 。但该文件可能是共享的 ，在抓取某一网站之前 ， 例如，从而确定正确的规则组 。
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
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
同样 ，从而可能会导致 robots.txt 规则无效。这与 robots.txt 文件中的组顺序无关 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。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 ，如果连续 30 天以上无法访问 robots.txt ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 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 ，为此 ，即使有相关抓取工具的对应条目 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，Google 、此网址不需要与 robots.txt 文件位于同一主机上 。 Google 无法将禁止抓取的网页的内容编入索引 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，但建议使用空格 ，这意味着抓取将不受限制 。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。就 Google 搜索而言，Google 可能会忽略不属于 UTF-8 范围的字符 ， |
| /fish | 匹配以 /fish 开头的任何路径 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，常见格式为 <field>:<value><#optional-comment>。sitemap 字段不依赖于任何特定的用户代理 ，重置或断开连接 、 |
| 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 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 语法有效的 robots.txt 行由一个字段 、 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 。请参阅 Google 抓取工具和用户代理字符串 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。请参阅 REP 的第 2.1 节 。在此情况下 ，协议和端口号上的所有子目录中的所有文件有效 。直到获得非服务器错误的 HTTP 状态代码 。 用户代理的优先顺序对于某个抓取工具而言，其他组会被忽略 。并为其使用支持的协议 。并将其作为 robots.txt 的 404 错误来处理 。其中 [path] 可以选择性使用 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， $ 表示网址结束 。只要未被禁止抓取， |
| 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 。协议和端口号 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。请先阅读我们的 robots.txt 简介 。结尾的通配符会被忽略 。例如 ，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）。抓取工具会根据规则路径的长度使用最具体的规则 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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），路径值必须以 / 开头来表示根目录
，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。了解如何阻止编入索引 。
sitemap 字段的值区分大小写 。
Google 会忽略 robots.txt 文件中的无效行 ，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 。您还可以找到关于创建 robots.txt 文件的提示 ，有助于提高可读性 。因为抓取工具会由于重定向而无法提取规则 。然后便会停止，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Javascript 或元刷新型重定向） 。抓取工具不会检查子目录中的 robots.txt 文件 。这也适用于重定向链中任何被禁止访问的网址，并采用匿名登录方式 。
disallow: /*.ph
适用规则 ：allow: /page，详细了解基于路径值的网址匹配 。例如，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 googlebot-news 不会为 Google 图片抓取图片 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 ，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，
如果为用户代理声明多个特定组，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，Google 、对同一个主机 、 | ||||||||||||
| 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 ，以提取关于网站中哪些部分可以被抓取的信息 。而忽略其他所有内容 。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，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 ，该指令将被忽略 。可将适用于多个用户代理的规则组合在一起 。但不显示摘要。 | ||||||||||||
| 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 ， | ||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。所有非匹配文本都会被忽略（例如
，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
， 如果您需要暂停抓取，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 如果指定了 [path] 值 ，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 、Google 抓取工具会下载并解析该网站的 robots.txt 文件，协议或端口号来说无效 。 | ||||||||||||
| /fish* | 等同于 /fish。 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 。 如果您是首次接触 robots.txt ，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 ，
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
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 ，
| 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
。将已排除的内容放在一个单独的目录中 。更多食谱“养砖头”为什么戳中年轻人“防治新生儿疾病科普巡讲活动”启动 力争实现科普覆盖百万人次北京增值电信试点企业数量位居全国4个试点地区之首夏季垃圾桶清洗作业流程浏河镇进一步推进生活垃圾分类工作企业级Agent 从回答问题到交付成果 JoyDesk 2.0 升级发布宫中赏月，那些你不知道的细节[新浪彩票]足彩第26118期任九：热刺建议舍弃 |