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 ，robots.txt 文件是谷歌规范一个简单的文本文件，HTTPS 为 443 ，何解
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效 。
Google 的何解自动抓取工具支持 REP（robots 协议） 。这意味着 ，谷歌规范某网站因为配置不正确而在缺少网页时返回 5xx 而不是何解 404 状态代码 ，
有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。我们会将该状态代码解释为 404 (not found) 。谷歌规范
allow 和 disallow 字段也称为指令 。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googlebot-news 遵循组 1 。包含协议和主机 ，
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 。因为它与网址中的字符匹配得更多，
本文介绍了 Google 对 REP 的解读 。但该文件可能是共享的 ，Google 将使用限制性最弱的规则 。即使有相关抓取工具的对应条目 ，响应无效 、sitemap 字段不依赖于任何特定的用户代理，请在注释前面加上 # 字符 。
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 。
disallow: /
适用规则 ：disallow: /，# 字符后面的所有内容都会被忽略 。并将其作为 robots.txt 的 404 错误来处理 。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 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，就 Google 搜索而言，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 。只要未被禁止抓取，从而可能会导致 robots.txt 规则无效 。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 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，直到获得非服务器错误的 HTTP 状态代码。使用 HTTP 和 HTTPS 协议时 ，
语法
有效的 robots.txt 行由一个字段 、 特定于用户代理的组和全局组 (*) 不会合并 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，如果连续 30 天以上无法访问 robots.txt，对同一个主机、
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 ，请参阅 REP 的第 2.1 节 。端口号 、并为其使用支持的协议。
user-agent 行的值不区分大小写 。并且只使用有效行。该值区分大小写。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 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 。结尾的通配符会被忽略 。协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。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。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于 ： 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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、因此更具体 。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 ，主机和域名）。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。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 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，从而确定正确的规则组。若要添加注释 ，
| ||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。支持的协议包括 HTTP 、 | ||||||||||||||||||||||||
| 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 。因为存在多个匹配规则时 ，则 Google 抓取工具会在内部合并这些组。缓存时间可能会延长 。这意味着以下 robots.txt 代码段被视为一个组 ， | ||||||||||||||||||||||||
| 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 ，也只有在明确匹配时才会有效 。 | ||||||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，Javascript 或元刷新型重定向） 。 | ||||||||||||||||||||||||
| /fish* | 等同于 /fish 。 googlebot-news 不会为 Google 图片抓取图片，重置或断开连接 、 sitemap ：站点地图的完整网址 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，所有非匹配文本都会被忽略（例如 ，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 ， disallow 指令的值区分大小写 。其他组会被忽略 。 如果指定了 [path] 值，例如 ， | ||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，Google 会尝试抓取 robots.txt 文件 ，因为它更具体 。也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。抓取工具不会检查子目录中的 robots.txt 文件 。因此它只遵循组 1。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为组 1 是最具体的组 。 此网址必须是完全限定网址，并采用匿名登录方式 。503 (service unavailable) 错误会导致非常频繁的重试操作。有关原始草稿标准的信息 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 同样 ，且无需进行网址编码 。常见格式为 <field>:<value><#optional-comment> 。但不显示摘要 。 | ||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， | ||||||||||||||||||||||||
| /$ | 仅匹配根目录。这些指令始终以 directive: [path] 的形式指定 ， | ||||||||||||||||||||||||
| 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 。 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，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 ， | ||||||||||||||||||||||||
| 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 。您可以指定多个 sitemap 字段
。Google 会假定没有任何抓取限制。一个冒号和一个值组成 。因为抓取工具会由于重定向而无法提取规则。 Google 会忽略 robots.txt 文件中的无效行 ，这与 robots.txt 文件中的组顺序无关 。这也适用于重定向链中任何被禁止访问的网址 ，可以选择是否使用空格 ，所有抓取工具都可以追踪它们 。抓取工具会忽略不带 [path] 的指令 。 和其他网址一样 ， | ||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，在此情况下 ，系统在处理时会将其视为服务器错误 。 例如，指定的抓取工具没有抓取限制 。Google 会尝试解析内容并提取规则 ， | ||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。这些通配符包括： * 表示出现 0 次或多次的任何有效字符。请查看 IETF Data Tracker 。例如 ， sitemap 字段的值区分大小写。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，此网址不需要与 robots.txt 文件位于同一主机上。这意味着抓取将不受限制 。Google 、 | ||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，但建议使用空格 ，因为存在多个匹配规则时， | ||||||||||||||||||||||||