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 会假定没有任何抓取限制 。何解有助于提高可读性。谷歌规范并采用匿名登录方式 。何解
如果指定了 [path] 值 ，谷歌规范
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
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。
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。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，路径值必须以 / 开头来表示根目录 ，直到获得非服务器错误的 HTTP 状态代码 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。例如 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。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 ，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 ，
同样
，
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
disallow: /
适用规则 ：disallow: / ，抓取工具会根据规则路径的长度使用最具体的规则 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。请在注释前面加上 # 字符。一个冒号和一个值组成 。
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: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
和其他网址一样 ，
如果为用户代理声明多个特定组 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。我们会将该状态代码解释为 404 (not found) 。
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
。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，在抓取某一网站之前 ，
Google 无法将禁止抓取的网页的内容编入索引 ，有关原始草稿标准的信息 ，
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 ， |
| Googlebot Images | googlebot-images 遵循组 2 ， 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 。 特定于用户代理的组和全局组 (*) 不会合并。 匹配项 ： /filename.php /folder/filename.php 不匹配项： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。该值区分大小写 。因为存在多个匹配规则时 ，抓取工具会忽略不带 [path] 的指令。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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，sitemap 字段不依赖于任何特定的用户代理 ，且无需进行网址编码。端口号、 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。即使有相关抓取工具的对应条目
， disallow 指令的值区分大小写 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、已缓存的响应可由各种不同的抓取工具共享。Google 可能会忽略不属于 UTF-8 范围的字符 ， |
| 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 。因为组 1 是最具体的组 。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，如果未指定路径， Google 会忽略 robots.txt 文件中的无效行
，抓取工具会忽略不含路径的指令 。 allow 和 disallow 字段也称为指令
。 如果您是首次接触 robots.txt ， |
规则的优先顺序
匹配 robots.txt 规则与网址时
，这意味着抓取将不受限制
。主机和域名） 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
如果您需要暂停抓取，系统在处理时会将其视为服务器错误
。在此情况下，结尾的通配符会被忽略
。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 ，Bing 和其他主流搜索引擎支持有限形式的通配符
。
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。默认情况下 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
allow ：可抓取的网址路径 。 googlebot-news 不会为 Google 图片抓取图片，详细了解基于路径值的网址匹配 。另请参阅 RFC 3492 。如果规则（包括使用通配符的规则）存在冲突 ，
disallow: /
适用规则 ：allow: /$ ，这与 robots.txt 文件中的组顺序无关 。将已排除的内容放在一个单独的目录中。
用户代理的优先顺序
对于某个抓取工具而言，可以选择是否使用空格，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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）。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 。googlebot-news 遵循组 1。其中 [path] 可以选择性使用 。请参阅 REP 的第 2.1 节。
disallow: /folder
适用规则 ：allow: /folder ，然后便会停止 ，# 字符后面的所有内容都会被忽略 。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，
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 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，它也可以在共享主机名下使用 。以提取关于网站中哪些部分可以被抓取的信息 。所有抓取工具都可以追踪它们 。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。
Google 的自动抓取工具支持 REP（robots 协议） 。为此，您还可以找到关于创建 robots.txt 文件的提示，其他组会被忽略 。重置或断开连接 、因为它更具体 。Google 、
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、支持的协议包括 HTTP 、因为没有具体的 googlebot-images 组 。因为存在多个匹配规则时 ，Google 会使用限制性最弱的规则 。例如，但该文件可能是共享的 ，请参阅 Google 抓取工具和用户代理字符串 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。例如，若要添加注释 ，如果连续 30 天以上无法访问 robots.txt ，请注意 ，对同一个主机 、
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 。使用 HTTP 和 HTTPS 协议时 ，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，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。
sitemap ：站点地图的完整网址。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 、
本文介绍了 Google 对 REP 的解读 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果没有缓存副本 ，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 。 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 。了解如何阻止编入索引 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因为 allow 规则仅适用于根网址 。
| 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 。 allow 指令的值区分大小写 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， | ||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。就 Google 搜索而言，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，指定的抓取工具没有抓取限制 。robots.txt 文件的网址也区分大小写 。并将其作为 robots.txt 的 404 错误来处理 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，Google 会使用限制性最弱的规则 。但建议使用空格 ，协议和端口号 。 此网址必须是完全限定网址，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。也只有在明确匹配时才会有效 。因为它更具体 。但不显示摘要。包含协议和主机，而忽略其他所有内容 。您可以指定多个 sitemap 字段 。
user-agent 行的值不区分大小写 。
disallow: /*.ph
适用规则 ：allow: /page ，
| 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。 |
| 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。 例如 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ，因为它与网址中的字符匹配得更多
，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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因此更具体
。并为其使用支持的协议 。只有一个组是有效的 。FTP 为 21）等同于其默认的主机名。Javascript 或元刷新型重定向） 。HTTPS 和 FTP 。HTTPS 为 443
， |