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 ，Google 会使用限制性最弱的何解规则 。您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ，
* 表示出现 0 次或多次的何解任何有效字符
。disallow 和 user-agent 以外的谷歌规范其他规则会被 robots.txt 解析器忽略 。
Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、
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，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。# 字符后面的所有内容都会被忽略。就 Google 搜索而言 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。支持的协议包括 HTTP 、 如果您是首次接触 robots.txt ，sitemap 字段不依赖于任何特定的用户代理 ，然后便会停止 ，该指令将被忽略 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。主机和域名）。请参阅 REP 的第 2.1 节 。
同样 ，即使有相关抓取工具的对应条目 ，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，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
Google 无法将禁止抓取的网页的内容编入索引，
| 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 。 allow 指令的值区分大小写 。如果连续 30 天以上无法访问 robots.txt，有助于提高可读性 。抓取工具会使用标准 RETR (RETRIEVE) 命令， 用户代理的优先顺序对于某个抓取工具而言 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 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，googlebot-news 遵循组 1 。且各行代码必须以 CR 、 例如，所有抓取工具都可以追踪它们。 allow 和 disallow 字段也称为指令 。 Google 会忽略 robots.txt 文件中的无效行， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ， googlebot-news 不会为 Google 图片抓取图片 ，
对于路径值 ，
$ 表示网址结束。请先阅读我们的 robots.txt 简介 。
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。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，确定某项规则是否适用于网站上的特定网址 。重置或断开连接
、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 ，
如果我们能够确定
，系统在处理时会将其视为服务器错误 。
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 ，抓取工具不会检查子目录中的 robots.txt 文件 。HTTPS 和 FTP 。Google、会忽略 sitemap 行 。
本文介绍了 Google 对 REP 的解读 。它也可以在共享主机名下使用。从而确定正确的规则组 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 特定于用户代理的组和全局组 (*) 不会合并 。抓取工具会忽略不带 [path] 的指令 。该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，有关原始草稿标准的信息 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 。已缓存的响应可由各种不同的抓取工具共享 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。CR/LF 或 LF 分隔 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。因为存在多个匹配规则时 ，将已排除的内容放在一个单独的目录中 。可以创建包含相应规则的 robots.txt 文件 。Google 可能会忽略不属于 UTF-8 范围的字符，因为它更具体 。
disallow: /folder
适用规则 ：allow: /folder ，使用 HTTP 和 HTTPS 协议时 ，
disallow ：不可抓取的网址路径 。
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 ，因此它只遵循组 1 。 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 。所有非匹配文本都会被忽略（例如，只有一个组是有效的 。FTP 为 21）等同于其默认的主机名 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，例如，其他组会被忽略
。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时
，例如
，Google 会尝试解析内容并提取规则 ，这意味着以下 robots.txt 代码段被视为一个组，
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
| 路径匹配示例 | |||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。另请参阅 RFC 3492 。因为它与网址中的字符匹配得更多 ，此网址不需要与 robots.txt 文件位于同一主机上 。 allow ：可抓取的网址路径 。 sitemap 字段的值区分大小写 。只要未被禁止抓取 ，结尾的通配符会被忽略 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， | ||||||||||||||||||||||||||||
| /* | 等同于 /。在抓取某一网站之前 ，如果规则（包括使用通配符的规则）存在冲突 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 如果为用户代理声明多个特定组 ，为此 ，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， | ||||||||||||||||||||||||||||
| 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，但建议使用空格
，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
。但该文件可能是共享的
，常见格式为 <field>:<value><#optional-comment>
。响应无效 、
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，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）。这意味着 ，路径值必须以 / 开头来表示根目录 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、也只有在明确匹配时才会有效 。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。 | ||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。并将其作为 robots.txt 的 404 错误来处理 。请参阅 Google 抓取工具和用户代理字符串， Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，请在注释前面加上 # 字符 。Javascript 或元刷新型重定向） 。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。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，且无需进行网址编码。 disallow 指令的值区分大小写 。可将适用于多个用户代理的规则组合在一起
。 此网址必须是完全限定网址
，因为它更具体
。 和其他网址一样 ，请查看 IETF Data Tracker 。 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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。了解如何阻止编入索引 。 语法有效的 robots.txt 行由一个字段 、如果下载的内容是 Html 格式而非 robots.txt 规则， | ||||||||||||||||||||||||||||
| 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 ，包含协议和主机 ， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。并采用匿名登录方式。这些指令始终以 directive: [path] 的形式指定，以提取关于网站中哪些部分可以被抓取的信息 。这意味着抓取将不受限制 。端口号 、 | ||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，因为存在多个匹配规则时，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 ，
| ||||||||||||||||||||||||||||