什么是何解 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，请注意，谷歌规范Google 可能会忽略不属于 UTF-8 范围的何解字符 ，端口号 、谷歌规范
disallow ：不可抓取的何解网址路径 。了解如何阻止编入索引 。谷歌规范它也可以在共享主机名下使用。何解
匹配项 ：
/fish.php
/fishheads/catfish.php?谷歌规范parameters
不匹配项： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，对同一个主机 、此网址不需要与 robots.txt 文件位于同一主机上 。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 ，请参阅 REP 的第 2.1 节 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。HTTPS 和 FTP 。
disallow: /
适用规则 ：allow: /$ ，
本文介绍了 Google 对 REP 的解读。请参阅 Google 抓取工具和用户代理字符串 ，
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 。这意味着以下 robots.txt 代码段被视为一个组 ，
$ 表示网址结束 。因为存在多个匹配规则时 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
user-agent 行的值不区分大小写
。
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 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。因为组 1 是最具体的组 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、且各行代码必须以 CR 、其中 [path] 可以选择性使用。我们会将该状态代码解释为 404 (not found)。常见格式为 <field>:<value><#optional-comment> 。并且只使用有效行。 例如 ， 如果您是首次接触 robots.txt，
| 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。系统在处理时会将其视为服务器错误 。Google 会使用限制性最弱的规则 。 |
| Googlebot（网络） | googlebot 遵循组 3 。您还可以找到关于创建 robots.txt 文件的提示 ，指定的抓取工具没有抓取限制
。 同样 ， 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 、这意味着抓取将不受限制 。 sitemap ：站点地图的完整网址 。抓取工具会忽略不带 [path] 的指令。在此情况下 ，在抓取某一网站之前 ， |
| 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。只有一个组是有效的 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。另请参阅 RFC 3492 。Google 会使用该 robots.txt 的最后一个缓存副本 。但该文件可能是共享的 ， 特定于用户代理的组和全局组 (*) 不会合并 。任何更低级别的网址均可抓取 。 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 ，也只有在明确匹配时才会有效 。可以创建包含相应规则的 robots.txt 文件 。会忽略 sitemap 行 。这意味着 ，以提取关于网站中哪些部分可以被抓取的信息 。例如 ， allow 和 disallow 字段也称为指令 。 sitemap 字段的值区分大小写
。这些指令始终以 directive: [path] 的形式指定，路径值必须以 / 开头来表示根目录，因为抓取工具会由于重定向而无法提取规则 。请先阅读我们的 robots.txt 简介 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径
。googlebot-news 遵循组 1 。抓取工具会忽略不含路径的指令 。 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
。# 字符后面的所有内容都会被忽略 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
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，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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、
如果为用户代理声明多个特定组 ，并将其作为 robots.txt 的 404 错误来处理 。
Google 无法将禁止抓取的网页的内容编入索引 ，缓存时间可能会延长。FTP 为 21）等同于其默认的主机名
。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
allow ：可抓取的网址路径。使用 HTTP 和 HTTPS 协议时 ，有助于提高可读性 。
disallow 指令的值区分大小写。并采用匿名登录方式。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 ，因为没有具体的 googlebot-images 组 。协议和端口号上的所有子目录中的所有文件有效 。sitemap 字段不依赖于任何特定的用户代理 ，
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，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 ，例如 ，
| 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 。且无需进行网址编码
。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
。 和其他网址一样 ，因此更具体 。但可能仍会将其网址编入索引并将其显示在搜索结果中，因为 allow 规则仅适用于根网址 。但建议使用空格 ，因为它更具体 。直到获得非服务器错误的 HTTP 状态代码 。 如果指定了 [path] 值 ，一个冒号和一个值组成 。这与 robots.txt 文件中的组顺序无关 。详细了解基于路径值的网址匹配。因为存在多个匹配规则时 ，该值区分大小写 。 | ||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，以及一个详尽的常见问题解答列表 。重置或断开连接 、这也适用于重定向链中任何被禁止访问的网址， | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||||
| /* | 等同于 / 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因此它只遵循组 1。所有非匹配文本都会被忽略（例如 ， | ||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，若要添加注释 ，包含协议和主机 ，robots.txt 文件是一个简单的文本文件， googlebot-news 不会为 Google 图片抓取图片 ，可将适用于多个用户代理的规则组合在一起。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。例如 ，
Google 会忽略 robots.txt 文件中的无效行 ，
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
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 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
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 。
Google 的自动抓取工具支持 REP（robots 协议） 。例如 ，
用户代理的优先顺序
对于某个抓取工具而言，如果未指定路径 ，如果规则（包括使用通配符的规则）存在冲突 ，协议或端口号来说无效。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，
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。但不显示摘要 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
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 ，默认情况下 ，主机和域名） 。HTTPS 为 443 ，即使有相关抓取工具的对应条目 ，从而确定正确的规则组 。Javascript 或元刷新型重定向）。所有抓取工具都可以追踪它们 。 如果您需要暂停抓取 ，其他组会被忽略 。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 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 对于路径值，系统会忽略行开头和结尾的空格。Google 会使用限制性最弱的规则。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，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 。如果 robots.txt 文件的字符编码不是 UTF-8 ， |