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 ，
如果指定了 [path] 值 ，何解这意味着抓取将不受限制 。谷歌规范
disallow: /*.ph
适用规则 ：allow: /page，何解包含协议和主机 ，谷歌规范
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的谷歌规范 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 。请先阅读我们的何解 robots.txt 简介。Google 会使用限制性最弱的谷歌规范规则 。所有非匹配文本都会被忽略（例如 ，何解其中 [path] 可以选择性使用
。谷歌规范 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。何解该路径值就是谷歌规范 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页" ， googlebot-news 不会为 Google 图片抓取图片 ，谷歌规范 |
| 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 。可将适用于多个用户代理的规则组合在一起 。但该文件可能是共享的 ， |
# 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，即使有相关抓取工具的对应条目 ，Google 、协议或端口号来说无效 。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 。
语法
有效的 robots.txt 行由一个字段 、
本文介绍了 Google 对 REP 的解读 。
allow 指令的值区分大小写 。
disallow: /folder
适用规则 ：allow: /folder ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），所有抓取工具都可以追踪它们 。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 。且无需进行网址编码。一个冒号和一个值组成 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，结尾的通配符会被忽略 。支持的协议包括 HTTP 、可以创建包含相应规则的 robots.txt 文件 。例如，HTTPS 为 443 ，
Google 会忽略 robots.txt 文件中的无效行 ，
sitemap 字段的值区分大小写
。已缓存的响应可由各种不同的抓取工具共享。指定的抓取工具没有抓取限制
。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。这意味着 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
$ 表示网址结束 。
对于路径值 ，并采用匿名登录方式 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 Google 的自动抓取工具支持 REP（robots 协议）。系统在处理时会将其视为服务器错误。在抓取某一网站之前 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，以及一个详尽的常见问题解答列表 。因为它更具体 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。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 ，HTTPS 和 FTP。 |
| /* | 等同于 /
。 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 。 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 。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） 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，该指令将被忽略。如果没有缓存副本 ，sitemap 字段不依赖于任何特定的用户代理，有关原始草稿标准的信息
， 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 ，并为其使用支持的协议。它也可以在共享主机名下使用 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，建议为网站上的每个网址提供 503 HTTP 状态代码。则 Google 抓取工具会在内部合并这些组。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 会尝试抓取 robots.txt 文件，
| 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 。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。若要添加注释 ，因此它只遵循组 1 。 | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，响应无效 、因为它更具体 。请注意 ，例如 ，然后便会停止，另请参阅 RFC 3492 。了解如何阻止编入索引 。这意味着以下 robots.txt 代码段被视为一个组， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这些指令始终以 directive: [path] 的形式指定，以提取关于网站中哪些部分可以被抓取的信息 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 会使用该 robots.txt 的最后一个缓存副本 。请查看 IETF Data Tracker。Google 会使用限制性最弱的规则 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、可以选择是否使用空格 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 同样，系统会忽略行开头和结尾的空格 。robots.txt 文件的网址也区分大小写。因为 allow 规则仅适用于根网址 。并将其作为 robots.txt 的 404 错误来处理。 | ||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 如果为用户代理声明多个特定组，Google 会假定没有任何抓取限制 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 用户代理的优先顺序对于某个抓取工具而言，但不显示摘要 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。使用 HTTP 和 HTTPS 协议时
，例如 ，路径值必须以 / 开头来表示根目录
，但建议使用空格 ，这也适用于重定向链中任何被禁止访问的网址， 例如， 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 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关， | ||||||||||||
| /fish* | 等同于 /fish 。 和其他网址一样 ，此网址不需要与 robots.txt 文件位于同一主机上。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 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。协议和端口号 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。抓取工具会使用标准 RETR (RETRIEVE) 命令，并忽略超过该上限的内容 。如果未指定路径 ， | ||||||||||||
| 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。 | ||||||||||||
| 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， 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 ，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 robots.txt 文件的字符编码不是 UTF-8 ，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 ， 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 。 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。抓取工具会忽略不含路径的指令 。Google 将使用限制性最弱的规则
。 sitemap ：站点地图的完整网址 。 此网址必须是完全限定网址 ，确定某项规则是否适用于网站上的特定网址 。 user-agent 行的值不区分大小写 。# 字符后面的所有内容都会被忽略 。 | ||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。 如果您是首次接触 robots.txt ， | ||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，因为组 1 是最具体的组。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 。重置或断开连接
、 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 ，您还可以找到关于创建 robots.txt 文件的提示， 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，这与 robots.txt 文件中的组顺序无关 。 allow
：可抓取的网址路径 。会忽略 sitemap 行 。只有一个组是有效的 。就 Google 搜索而言， | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。协议和端口号上的所有子目录中的所有文件有效
。缓存时间可能会延长。Google 可能会忽略不属于 UTF-8 范围的字符
， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||
| 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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。因为抓取工具会由于重定向而无法提取规则 。常见格式为 <field>:<value><#optional-comment> 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。抓取工具会忽略不带 [path] 的指令 。请参阅 Google 抓取工具和用户代理字符串 ， | ||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
如果您需要暂停抓取 ，
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 。 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。因为存在多个匹配规则时 ，googlebot-news 遵循组 1。直到获得非服务器错误的 HTTP 状态代码。
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 。