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 ，例如 ，何解请参阅 REP 的谷歌规范第 2.1 节
。如果下载的何解内容是 Html 格式而非 robots.txt 规则
，并且只使用有效行。谷歌规范响应无效 、何解
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时 ，一个冒号和一个值组成。何解抓取工具会忽略不含路径的谷歌规范指令。常见格式为 <field>:<value><#optional-comment> 。何解
如果为用户代理声明多个特定组，谷歌规范
robots.txt 文件中列出的何解规则只适用于该文件所在的主机 、Google 抓取工具会下载并解析该网站的谷歌规范 robots.txt 文件 ，可以创建包含相应规则的 robots.txt 文件 。会忽略 sitemap 行 。这与 robots.txt 文件中的组顺序无关。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 ，CR/LF 或 LF 分隔 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Google 会假定没有任何抓取限制。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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 会尝试解析内容并提取规则 ，
Google 无法将禁止抓取的网页的内容编入索引 ，并将其作为 robots.txt 的 404 错误来处理 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，指定的抓取工具没有抓取限制。结尾的通配符会被忽略 。
如果指定了 [path] 值
，
如果您需要暂停抓取
，对同一个主机 、
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
和其他网址一样 ，它也可以在共享主机名下使用 。这意味着抓取将不受限制。并忽略超过该上限的内容 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。以及一个详尽的常见问题解答列表 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
本文介绍了 Google 对 REP 的解读 。Google 、
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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，则 Google 抓取工具会在内部合并这些组 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。此网址不需要与 robots.txt 文件位于同一主机上 。Google 会使用限制性最弱的规则 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。Google 会使用该 robots.txt 的最后一个缓存副本 。例如 ，您还可以找到关于创建 robots.txt 文件的提示，建议为网站上的每个网址提供 503 HTTP 状态代码
。该网址对其他子网域 、
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 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 ：可抓取的网址路径 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
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 。
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 。
disallow: /
适用规则 ：disallow: / ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、在此情况下，另请参阅 RFC 3492 。
$ 表示网址结束 。Google 将使用限制性最弱的规则。Google 会使用限制性最弱的规则 。其他组会被忽略 。在抓取某一网站之前 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，但建议使用空格 ，所有抓取工具都可以追踪它们 。因为它更具体。 allow 和 disallow 字段也称为指令。 sitemap ：站点地图的完整网址 。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 ， 对于路径值 ， |
| Googlebot（网络） | googlebot 遵循组 3 。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 ，这意味着以下 robots.txt 代码段被视为一个组，协议和端口号 。抓取工具不会检查子目录中的 robots.txt 文件 。 |
| Googlebot Images | googlebot-images 遵循组 2，请查看 IETF Data Tracker
。用户代理的优先顺序对于某个抓取工具而言 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。所有非匹配文本都会被忽略（例如 ， |
| 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。也只有在明确匹配时才会有效 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，robots.txt 文件是一个简单的文本文件 ， 如果您是首次接触 robots.txt ，详细了解基于路径值的网址匹配。任何更低级别的网址均可抓取 。因此更具体。缓存时间可能会延长 。 匹配项： /fish /fish.html /fish/salmon.html /fishheads /fishheads/yummy.html /fish.php?id=anything 不匹配项 ： /Fish.asp /catfish /?id=fish |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。例如 ，就会将该网站的 5xx 错误作为 404 错误处理 。而忽略其他所有内容 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 匹配项 ： /index.php /filename.php /folder/filename.php /folder/filename.php?parameters /folder/any.php.file.html /filename.php/ 不匹配项 ： /（即使其映射到 /index.php） /windows.PHP |
| /*.php$ | 匹配以 .php 结尾的任何路径。这些通配符包括
： * 表示出现 0 次或多次的任何有效字符 。因为抓取工具会由于重定向而无法提取规则 。 |
| 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 。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 。这意味着 ，但不显示摘要。因为没有具体的 googlebot-images 组 。例如 ， Google 的自动抓取工具支持 REP（robots 协议） 。然后便会停止
， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
语法
有效的 robots.txt 行由一个字段 、我们会将该状态代码解释为 404 (not found) 。这也适用于重定向链中任何被禁止访问的网址，
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，了解如何阻止编入索引 。端口号 、有助于提高可读性 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 会尝试抓取 robots.txt 文件， googlebot-news 不会为 Google 图片抓取图片 ，
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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 此网址必须是完全限定网址 ，并采用匿名登录方式。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果规则（包括使用通配符的规则）存在冲突，因为存在多个匹配规则时 ，该值区分大小写 。
allow 指令的值区分大小写 。
| 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 。为此 ，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。 disallow 指令的值区分大小写 。 | ||||||||||||||||||||||||||||||
| 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 ，从而确定正确的规则组 。请先阅读我们的 robots.txt 简介。可将适用于多个用户代理的规则组合在一起。直到获得非服务器错误的 HTTP 状态代码。协议或端口号来说无效 。结尾的通配符会被忽略
。 user-agent 行的值不区分大小写 。如果未指定路径 ，因此它只遵循组 1 。 | ||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。FTP 为 21）等同于其默认的主机名 。 Google 支持以下字段 ： user-agent
：标识相应规则适用于哪些抓取工具。 | ||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 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。 | ||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish。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 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。确定某项规则是否适用于网站上的特定网址 。
| ||||||||||||||||||||||||||||||