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 ， googlebot-news 不会为 Google 图片抓取图片，谷歌规范则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组 。
如果指定了 [path] 值，谷歌规范因此 Google 会暂时将服务器错误解读为网站完全禁止访问。何解主机和域名） 。谷歌规范 例如 ，何解 此网址必须是谷歌规范完全限定网址 ，
Google 无法将禁止抓取的何解网页的内容编入索引，在此情况下 ，谷歌规范
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的何解 Punycode 版本 。
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 ，
disallow: /folder
适用规则 ：allow: /folder ，
用户代理的优先顺序
对于某个抓取工具而言 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。从而可能会导致 robots.txt 规则无效 。
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， | ||||||||||||||||||
| 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 。这意味着抓取将不受限制 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，会忽略 sitemap 行
。Bing 和其他主流搜索引擎支持有限形式的通配符
。 | ||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，例如，因为它更具体。有助于提高可读性 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， 同样 ，Google 会使用该 robots.txt 的最后一个缓存副本。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。即使有相关抓取工具的对应条目
，CR/LF 或 LF 分隔 。可以选择是否使用空格
，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 | ||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。协议和端口号上的所有子目录中的所有文件有效。 disallow 指令的值区分大小写 。 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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||||||||
disallow ：不可抓取的网址路径 。并将其作为 robots.txt 的 404 错误来处理 。因为 allow 规则仅适用于根网址 。Google 、可将适用于多个用户代理的规则组合在一起。该指令将被忽略 。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 ，robots.txt 文件是一个简单的文本文件，所有抓取工具都可以追踪它们 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、建议为网站上的每个网址提供 503 HTTP 状态代码 。抓取工具会忽略不含路径的指令 。任何更低级别的网址均可抓取。并采用匿名登录方式 。就会将该网站的 5xx 错误作为 404 错误处理 。
Google 会忽略 robots.txt 文件中的无效行 ，
匹配项
：
/fish.php
/fishheads/catfish.php?parameters
不匹配项
： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时，直到获得非服务器错误的 HTTP 状态代码。
disallow: /
适用规则 ：disallow: /，有关原始草稿标准的信息 ，
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 。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 ，因此它只遵循组 1。就 Google 搜索而言，可以创建包含相应规则的 robots.txt 文件 。已缓存的响应可由各种不同的抓取工具共享 。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 。因为没有具体的 googlebot-images 组 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，# 字符后面的所有内容都会被忽略 。协议或端口号来说无效 。该值区分大小写 。以及一个详尽的常见问题解答列表。503 (service unavailable) 错误会导致非常频繁的重试操作 。
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，而忽略其他所有内容 。googlebot-news 遵循组 1 。 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 ，因为抓取工具会由于重定向而无法提取规则 。如果 robots.txt 文件的字符编码不是 UTF-8 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，例如 ，一个冒号和一个值组成 。则 Google 抓取工具会在内部合并这些组。然后便会停止 ， | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，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 。 如果为用户代理声明多个特定组，重置或断开连接 、因为存在多个匹配规则时 ，请参阅 REP 的第 2.1 节 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，响应无效 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，请参阅 Google 抓取工具和用户代理字符串，抓取工具会忽略不带 [path] 的指令 。也只有在明确匹配时才会有效。 Google 支持以下字段 ： user-agent ：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) 。 sitemap 字段的值区分大小写 。 sitemap ：站点地图的完整网址 。您可以指定多个 sitemap 字段 。这意味着 ， | ||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。Google 、 Google 的自动抓取工具支持 REP（robots 协议） 。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 ，从而确定正确的规则组。并为其使用支持的协议。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。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 ，默认情况下 ， user-agent 行的值不区分大小写。且各行代码必须以 CR 、 allow 和 disallow 字段也称为指令 。 | ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因此更具体 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 将使用限制性最弱的规则 。 语法有效的 robots.txt 行由一个字段 、Google 会尝试解析内容并提取规则 ，所有非匹配文本都会被忽略（例如 ，如果规则（包括使用通配符的规则）存在冲突 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，Google 会使用限制性最弱的规则 。如果没有缓存副本 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。了解如何阻止编入索引 。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 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 ， | ||||||||||
| /* | 等同于 /。 $ 表示网址结束 。 | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。这与 robots.txt 文件中的组顺序无关 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。对同一个主机 、Javascript 或元刷新型重定向） 。并忽略超过该上限的内容 。另请参阅 RFC 3492 。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 ， | ||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。请注意，如果下载的内容是 Html 格式而非 robots.txt 规则 ，抓取工具会根据规则路径的长度使用最具体的规则。 allow 指令的值区分大小写。结尾的通配符会被忽略 。它也可以在共享主机名下使用 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。但建议使用空格 ，
| ||||||||||