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 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置 。
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 ，请参阅 REP 的第 2.1 节。支持的协议包括 HTTP 、这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，并忽略超过该上限的内容。任何更低级别的网址均可抓取。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、以及一个详尽的常见问题解答列表 。了解如何阻止编入索引 。一个冒号和一个值组成 。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）。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 ，默认情况下 ，抓取工具会根据规则路径的长度使用最具体的规则。
allow ：可抓取的网址路径 。这与 robots.txt 文件中的组顺序无关 。然后便会停止，此网址不需要与 robots.txt 文件位于同一主机上。 此网址必须是完全限定网址 ，
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 ，例如 ，
和其他网址一样，并为其使用支持的协议 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，响应无效 、指定的抓取工具没有抓取限制。请参阅 Google 抓取工具和用户代理字符串 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
sitemap：站点地图的完整网址 。
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 会假定没有任何抓取限制 。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 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。
disallow: /
适用规则 ：disallow: / ，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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
，已缓存的响应可由各种不同的抓取工具共享 。
如果您需要暂停抓取
，Google 可能会忽略不属于 UTF-8 范围的字符
，可以创建包含相应规则的 robots.txt 文件 。
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
，
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
对于路径值 ，
disallow: /folder
适用规则 ：allow: /folder ，直到获得非服务器错误的 HTTP 状态代码 。
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
。在抓取某一网站之前
，请查看 IETF Data Tracker 。Google 会使用限制性最弱的规则 。Google 会使用该 robots.txt 的最后一个缓存副本 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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 。系统会忽略行开头和结尾的空格 。
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 ，从而可能会导致 robots.txt 规则无效 。
| 错误处理和 HTTP 状态代码 | |||||||||
| 2xx（成功） | 表示成功的 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。常见格式为 <field>:<value><#optional-comment>。我们会将该状态代码解释为 404 (not found)。您还可以找到关于创建 robots.txt 文件的提示 ，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 、例如，该值区分大小写 。 | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||||||
| 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 ，所有抓取工具都可以追踪它们 。因此更具体 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、Google 抓取工具会下载并解析该网站的 robots.txt 文件，该指令将被忽略 。 | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。HTTP 组块错误等）而无法抓取的 robots.txt 文件， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。抓取工具不会检查子目录中的 robots.txt 文件 。robots.txt 文件是一个简单的文本文件 ，抓取工具会忽略不带 [path] 的指令 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，包含协议和主机 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 将使用限制性最弱的规则。协议和端口号上的所有子目录中的所有文件有效 。 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 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，而忽略其他所有内容 。将已排除的内容放在一个单独的目录中 。Google 会尝试解析内容并提取规则 ， | ||||||||
| 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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、 disallow 指令的值区分大小写。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），如果连续 30 天以上无法访问 robots.txt ， | ||||||||
| 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。这意味着抓取将不受限制 。googlebot-news 遵循组 1。 如果指定了 [path] 值 ，Bing 和其他主流搜索引擎支持有限形式的通配符。 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 。 | ||||||||
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 。端口号 、
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 ， | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，CR/LF 或 LF 分隔。但不显示摘要 。 | ||||||||
| 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。请注意，用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||
| /$ | 仅匹配根目录 。 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 | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。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。结尾的通配符会被忽略 。请先阅读我们的 robots.txt 简介 。 Google 无法将禁止抓取的网页的内容编入索引 ， 本文介绍了 Google 对 REP 的解读
。协议和端口号 。因为没有具体的 googlebot-images 组 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。如果没有缓存副本
，并且只使用有效行。抓取工具会忽略不含路径的指令 。因为抓取工具会由于重定向而无法提取规则
。 | ||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。语法有效的 robots.txt 行由一个字段 、在此情况下，也只有在明确匹配时才会有效 。则 Google 抓取工具会在内部合并这些组 。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。 sitemap 字段的值区分大小写 。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 。就 Google 搜索而言 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，对同一个主机 、 | ||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 user-agent 行的值不区分大小写
。可将适用于多个用户代理的规则组合在一起。# 字符后面的所有内容都会被忽略 。 例如
，结尾的通配符会被忽略 。 | ||||||||