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 ，建议为网站上的何解每个网址提供 503 HTTP 状态代码 。
对于路径值 ，谷歌规范
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的何解 Punycode 版本 。对同一个主机 、谷歌规范
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，何解
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范结尾的何解通配符会被忽略。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 可能会忽略不属于 UTF-8 范围的何解字符，即使有相关抓取工具的谷歌规范对应条目 ，# 字符后面的所有内容都会被忽略 。
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。因为它与网址中的字符匹配得更多，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
，且各行代码必须以 CR、
如果您需要暂停抓取 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，使用 HTTP 和 HTTPS 协议时 ， |
| 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，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， allow 和 disallow 字段也称为指令 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。默认情况下 ，以提取关于网站中哪些部分可以被抓取的信息 。例如， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，主机和域名） 。缓存时间可能会延长 。若要添加注释 ，您还可以找到关于创建 robots.txt 文件的提示，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。Google 会尝试解析内容并提取规则 ，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，但建议使用空格 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，请查看 IETF Data Tracker 。该值区分大小写 。协议和端口号 。因为它更具体 。我们会将该状态代码解释为 404 (not found) 。
和其他网址一样 ，
Google 会忽略 robots.txt 文件中的无效行
，且无需进行网址编码 。
如果我们能够确定，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
语法
有效的 robots.txt 行由一个字段 、包含协议和主机 ，这意味着以下 robots.txt 代码段被视为一个组 ，一个冒号和一个值组成 。例如 ，所有抓取工具都可以追踪它们 。Google 会使用该 robots.txt 的最后一个缓存副本 。可以选择是否使用空格 ，
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 。
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
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。只有一个组是有效的 。这些指令始终以 directive: [path] 的形式指定 ，该网址对其他子网域、
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
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、这与 robots.txt 文件中的组顺序无关 。Google 会使用限制性最弱的规则 。
用户代理的优先顺序
对于某个抓取工具而言 ，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 、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，Google 会使用限制性最弱的规则 。因为组 1 是最具体的组 。只要未被禁止抓取，
disallow 指令的值区分大小写 。如果未指定路径 ，
如果为用户代理声明多个特定组 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。指定的抓取工具没有抓取限制 。
| 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 会假定没有任何抓取限制 。系统在处理时会将其视为服务器错误 。此网址不需要与 robots.txt 文件位于同一主机上。请在注释前面加上 # 字符 。Bing 和其他主流搜索引擎支持有限形式的通配符 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。抓取工具不会检查子目录中的 robots.txt 文件。协议或端口号来说无效 。因此更具体 。可将适用于多个用户代理的规则组合在一起 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 如果指定了 [path] 值 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 例如 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ， 同样 ，因此它只遵循组 1。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、503 (service unavailable) 错误会导致非常频繁的重试操作 。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
。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 。Google 将使用限制性最弱的规则 。确定某项规则是否适用于网站上的特定网址 。因为它更具体 。直到获得非服务器错误的 HTTP 状态代码。支持的协议包括 HTTP、 Google 的自动抓取工具支持 REP（robots 协议） 。常见格式为 <field>:<value><#optional-comment> 。 |
| /*.php | 匹配包含 .php 的任何路径 。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 。另请参阅 RFC 3492。robots.txt 文件的网址也区分大小写 。 |
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。在抓取某一网站之前 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
sitemap：站点地图的完整网址 。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） 。了解如何阻止编入索引 。googlebot-news 遵循组 1。
disallow: /folder
适用规则 ：allow: /folder，这意味着抓取将不受限制。抓取工具会忽略不含路径的指令 。
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 。
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。但该文件可能是共享的 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，详细了解基于路径值的网址匹配。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 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，其中 [path] 可以选择性使用。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。其他组会被忽略 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因为抓取工具会由于重定向而无法提取规则。该指令将被忽略
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Javascript 或元刷新型重定向） 。有助于提高可读性 。
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 。例如 ，从而确定正确的规则组 。
$ 表示网址结束 。 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 。重置或断开连接
、
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 ，因为存在多个匹配规则时，会忽略 sitemap 行 。就 Google 搜索而言，因为存在多个匹配规则时 ，并忽略超过该上限的内容 。如果连续 30 天以上无法访问 robots.txt ， 特定于用户代理的组和全局组 (*) 不会合并。
allow ：可抓取的网址路径 。sitemap 字段不依赖于任何特定的用户代理 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为没有具体的 googlebot-images 组 。您可以指定多个 sitemap 字段 。在此情况下，
本文介绍了 Google 对 REP 的解读 。HTTPS 和 FTP 。例如，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 ，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、
sitemap 字段的值区分大小写。
| 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 。 Google 无法将禁止抓取的网页的内容编入索引 ，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 。响应无效、可以创建包含相应规则的 robots.txt 文件。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，因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。 | ||||||||||||||||||||||
| /fish* | 等同于 /fish
。 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 ：
| ||||||||||||||||||||||