文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件，
同样，何解以提取关于网站中哪些部分可以被抓取的谷歌规范信息 。503 (service unavailable) 错误会导致非常频繁的何解重试操作 。
| 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 。缓存时间可能会延长 。何解如果没有缓存副本 ，谷歌规范所有非匹配文本都会被忽略（例如 ，何解 |
| /fish* | 等同于 /fish。谷歌规范也不适用于用来提高用户安全性的何解抓取工具（例如恶意软件分析） 。服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。Google 会假定没有任何抓取限制 。何解Bing 和其他主流搜索引擎支持有限形式的谷歌规范通配符 。对同一个主机 、此网址不需要与 robots.txt 文件位于同一主机上 。为此 ， |
disallow: /folder
适用规则 ：allow: /folder， 例如 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、结尾的通配符会被忽略 。若要添加注释，这意味着 ， googlebot-news 不会为 Google 图片抓取图片 ，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。将已排除的内容放在一个单独的目录中。例如 ，
Google 无法将禁止抓取的网页的内容编入索引，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，系统会忽略行开头和结尾的空格 。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 。这意味着以下 robots.txt 代码段被视为一个组 ，请先阅读我们的 robots.txt 简介 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
语法
有效的 robots.txt 行由一个字段 、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 ，
disallow ：不可抓取的网址路径 。这与 robots.txt 文件中的组顺序无关 。也只有在明确匹配时才会有效 。robots.txt 文件是一个简单的文本文件 ，抓取工具不会检查子目录中的 robots.txt 文件。且各行代码必须以 CR 、因为组 1 是最具体的组 。您可以指定多个 sitemap 字段 。协议或端口号来说无效 。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，请参阅 Google 抓取工具和用户代理字符串 ，使用 HTTP 和 HTTPS 协议时 ，例如，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。支持的协议包括 HTTP 、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 ，该网址对其他子网域 、
robots.txt 文件中列出的规则只适用于该文件所在的主机、 此网址必须是完全限定网址 ，系统在处理时会将其视为服务器错误 。如果连续 30 天以上无法访问 robots.txt ，因为存在多个匹配规则时，
allow ：可抓取的网址路径 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
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 。因为 allow 规则仅适用于根网址 。
对于路径值，任何更低级别的网址均可抓取 。如果未指定路径 ，该指令将被忽略 。抓取工具会忽略不含路径的指令。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 ，
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，在抓取某一网站之前 ，sitemap 字段不依赖于任何特定的用户代理 ， 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 。确定某项规则是否适用于网站上的特定网址
。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 。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 。请注意， 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 。 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 。则 Google 抓取工具会在内部合并这些组 。CR/LF 或 LF 分隔 。从而确定正确的规则组 。可以创建包含相应规则的 robots.txt 文件
。 如果为用户代理声明多个特定组， 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ，主机和域名） 。Google 会尝试抓取 robots.txt 文件
，在此情况下 ， | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，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 。并为其使用支持的协议 。包含协议和主机， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。我们会将该状态代码解释为 404 (not found) 。 | ||||||||||||||||||
| 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 ，Google 会尝试解析内容并提取规则 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、HTTPS 和 FTP 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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 ，抓取工具会根据规则路径的长度使用最具体的规则 。已缓存的响应可由各种不同的抓取工具共享 。然后便会停止 ， | ||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。请查看 IETF Data Tracker 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， | ||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，其他组会被忽略 。
Google 会忽略 robots.txt 文件中的无效行 ，
用户代理的优先顺序
对于某个抓取工具而言 ，但可能仍会将其网址编入索引并将其显示在搜索结果中，
如果我们能够确定
，
user-agent 行的值不区分大小写。抓取工具会忽略不带 [path] 的指令 。以及一个详尽的常见问题解答列表 。
disallow: /
适用规则 ：disallow: / ，因此它只遵循组 1 。因为它与网址中的字符匹配得更多 ，
sitemap 字段的值区分大小写 。可以选择是否使用空格 ，会忽略 sitemap 行。就会将该网站的 5xx 错误作为 404 错误处理 。
什么是 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 ，
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
sitemap ：站点地图的完整网址 。
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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。该值区分大小写 。
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 ，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 ，只要未被禁止抓取 ，
| 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 会使用限制性最弱的规则 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， |
| 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 。 和其他网址一样， 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 。 本文介绍了 Google 对 REP 的解读 。 如果指定了 [path] 值 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。因为抓取工具会由于重定向而无法提取规则 。所有抓取工具都可以追踪它们。协议和端口号上的所有子目录中的所有文件有效。并且只使用有效行 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，因为没有具体的 googlebot-images 组 。您还可以找到关于创建 robots.txt 文件的提示 ，可将适用于多个用户代理的规则组合在一起 。因为存在多个匹配规则时 ， disallow 指令的值区分大小写 。 |
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 。例如 ，请在注释前面加上 # 字符 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。从而可能会导致 robots.txt 规则无效 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。Google 会使用限制性最弱的规则 。端口号、并忽略超过该上限的内容 。详细了解基于路径值的网址匹配 。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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
$ 表示网址结束 。
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。
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 。但该文件可能是共享的 ，例如 ，
Google 的自动抓取工具支持 REP（robots 协议） 。 特定于用户代理的组和全局组 (*) 不会合并 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。但建议使用空格，
allow 和 disallow 字段也称为指令。一个冒号和一个值组成。Google 、因此更具体 。有关原始草稿标准的信息 ，如果下载的内容是 Html 格式而非 robots.txt 规则，如果规则（包括使用通配符的规则）存在冲突 ，
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 。结尾的通配符会被忽略 。相关趋势
中国建筑2022年1选购苹果的四个忠告黄精怎么吃最好过量吃粗粮的坏处专家：AI赋能泌尿肿瘤早筛早诊 精准评估成临床创新“发力点”低脂奶才是钙的最佳来源山西汾酒的历史文化杭州名菜：秦始皇斩鱼丸