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，抓取工具会根据规则路径的谷歌规范长度使用最具体的规则 。robots.txt 文件是何解一个简单的文本文件，该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效，系统会忽略行开头和结尾的何解空格。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范
用户代理的优先顺序
对于某个抓取工具而言 ，这意味着以下 robots.txt 代码段被视为一个组 ，指定的抓取工具没有抓取限制 。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 ，如果未指定路径 ，这意味着 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。协议和端口号 。请在注释前面加上 # 字符。这与 robots.txt 文件中的组顺序无关。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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 。可以选择是否使用空格 ，并采用匿名登录方式 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，例如，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
allow 和 disallow 字段也称为指令 。
如果指定了 [path] 值 ，
如果我们能够确定 ，因为抓取工具会由于重定向而无法提取规则 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。因此它只遵循组 1 。Google 会使用限制性最弱的规则。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，主机和域名） 。如果连续 30 天以上无法访问 robots.txt，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。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 。 | ||||||||||||||||||
| /* | 等同于 /。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，协议和端口号上的所有子目录中的所有文件有效 。 此网址必须是完全限定网址 ，该值区分大小写 。其他组会被忽略 。从而可能会导致 robots.txt 规则无效 。Google 会尝试解析内容并提取规则，只有一个组是有效的 。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 。 | ||||||||||||||||||
| /$ | 仅匹配根目录。然后便会停止
，建议为网站上的每个网址提供 503 HTTP 状态代码。 sitemap 字段的值区分大小写。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 ，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 ，但建议使用空格 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 | ||||||||||||||||||
| 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 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。所有非匹配文本都会被忽略（例如 ， 如果您是首次接触 robots.txt，例如 ， 和其他网址一样 ，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，该指令将被忽略 。 特定于用户代理的组和全局组 (*) 不会合并 。因此更具体。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） 。但不显示摘要 。 | ||||||||||||||||||
| 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 ， | ||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， | ||||||||||||||||||
| 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 。抓取工具不会检查子目录中的 robots.txt 文件 。
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：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时， 同样 ， | ||||||||||||||||||
| 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 。因为它更具体。如果没有缓存副本 ，其中 [path] 可以选择性使用 。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 REP 的第 2.1 节 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 如果为用户代理声明多个特定组 ， | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。example.com 的 robots.txt 文件可能如下所示 ： # This robots.txt file controls crawling of URLs under https://example.com. # All crawlers are disallowed to crawl files in the "includes" directory, such # as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed # to crawl them. User-agent: *Disallow: /includes/ User-agent: Googlebot Allow: /includes/ Sitemap: https://example.com/sitemap.xml 文件位置和有效范围您必须将 robots.txt 文件放在网站的顶级目录中 ， robots.txt 文件中列出的规则只适用于该文件所在的主机
、确定某项规则是否适用于网站上的特定网址 。请注意
，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 | ||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。支持的协议包括 HTTP
、 disallow：不可抓取的网址路径 。也只有在明确匹配时才会有效 。这些指令始终以 directive: [path] 的形式指定，robots.txt 文件的网址也区分大小写 。重置或断开连接 、Google 会尝试抓取 robots.txt 文件 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，对同一个主机 、这也适用于重定向链中任何被禁止访问的网址 ，以提取关于网站中哪些部分可以被抓取的信息 。Google 抓取工具会下载并解析该网站的 robots.txt 文件， user-agent 行的值不区分大小写。Google 、 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，因为 allow 规则仅适用于根网址 。抓取工具会忽略不含路径的指令 。因为它更具体 。并且只使用有效行 。协议或端口号来说无效。以及一个详尽的常见问题解答列表。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，该网址对其他子网域、另请参阅 RFC 3492 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， $ 表示网址结束 。将已排除的内容放在一个单独的目录中 。结尾的通配符会被忽略 。 allow 指令的值区分大小写。您还可以找到关于创建 robots.txt 文件的提示 ，因为它与网址中的字符匹配得更多 ，我们会将该状态代码解释为 404 (not found) 。sitemap 字段不依赖于任何特定的用户代理，结尾的通配符会被忽略 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、从而确定正确的规则组 。而忽略其他所有内容。它也可以在共享主机名下使用。 本文介绍了 Google 对 REP 的解读 。 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
， | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。为此 ， Google 的自动抓取工具支持 REP（robots 协议）。 sitemap ：站点地图的完整网址。
规则的优先顺序匹配 robots.txt 规则与网址时 ，此网址不需要与 robots.txt 文件位于同一主机上 。缓存时间可能会延长。# 字符后面的所有内容都会被忽略 。 | ||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 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 。在抓取某一网站之前 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。有关原始草稿标准的信息 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。系统在处理时会将其视为服务器错误 。 | ||||||||||||||||||