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 ，
| 错误处理和 HTTP 状态代码 | |||||||||
| 2xx（成功） | 表示成功的谷歌规范 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
。如果下载的何解内容是 Html 格式而非 robots.txt 规则，所有非匹配文本都会被忽略（例如 ，谷歌规范有助于提高可读性 。何解Google 将使用限制性最弱的谷歌规范规则 。若要添加注释 ，何解包含协议和主机
，谷歌规范 Google 会忽略 robots.txt 文件中的何解无效行 ，使用 HTTP 和 HTTPS 协议时 ，谷歌规范 allow 指令的何解值区分大小写 。因为存在多个匹配规则时 ，谷歌规范HTTPS 和 FTP 。何解但可能仍会将其网址编入索引并将其显示在搜索结果中 ，谷歌规范如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， | ||||||||
| /fish* | 等同于 /fish 。只要未被禁止抓取 ，在抓取某一网站之前 ，请注意 ，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 。并忽略超过该上限的内容
。如果未指定路径，系统在处理时会将其视为服务器错误
。该指令将被忽略 。且无需进行网址编码
。Bing 和其他主流搜索引擎支持有限形式的通配符
。路径值必须以 / 开头来表示根目录 ，请参阅 Google 抓取工具和用户代理字符串 ， 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，如果没有缓存副本 ， | ||||||||
| /fish | 匹配以 /fish 开头的任何路径 。HTTPS 为 443 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 、 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 ，会忽略 sitemap 行 。Javascript 或元刷新型重定向）。例如，请参阅 REP 的第 2.1 节。如果 robots.txt 文件的字符编码不是 UTF-8，robots.txt 文件是一个简单的文本文件 ，可将适用于多个用户代理的规则组合在一起。并为其使用支持的协议。 | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，即使有相关抓取工具的对应条目 ，例如 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，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 ，可以创建包含相应规则的 robots.txt 文件
。 | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。结尾的通配符会被忽略
。指定的抓取工具没有抓取限制 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、也只有在明确匹配时才会有效 。Google 可能会忽略不属于 UTF-8 范围的字符， Google 的自动抓取工具支持 REP（robots 协议） 。这意味着 ，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 ，请查看 IETF Data Tracker 。另请参阅 RFC 3492。并采用匿名登录方式 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。并将其作为 robots.txt 的 404 错误来处理 。 | ||||||||
| /$ | 仅匹配根目录。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。然后便会停止
，了解如何阻止编入索引 。Google 会使用该 robots.txt 的最后一个缓存副本 。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 。 如果指定了 [path] 值 ， | ||||||||
| 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 。就 Google 搜索而言 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。 $ 表示网址结束 。 | ||||||||
| 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 ，请在注释前面加上 # 字符 。 Google 无法将禁止抓取的网页的内容编入索引 ，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 。robots.txt 文件的网址也区分大小写 。 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 。 | ||||||||
| 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 。 | ||||||||
| 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
，直到获得非服务器错误的 HTTP 状态代码。 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为它与网址中的字符匹配得更多 ， | ||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，响应无效 、 googlebot-news 不会为 Google 图片抓取图片，该值区分大小写 。因为 allow 规则仅适用于根网址。抓取工具会使用标准 RETR (RETRIEVE) 命令，Google 会尝试解析内容并提取规则 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
sitemap：站点地图的完整网址 。这意味着以下 robots.txt 代码段被视为一个组 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。重置或断开连接、而忽略其他所有内容 。抓取工具会忽略不含路径的指令 。
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 。请先阅读我们的 robots.txt 简介 。从而确定正确的规则组。从而可能会导致 robots.txt 规则无效 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，建议为网站上的每个网址提供 503 HTTP 状态代码。因为组 1 是最具体的组 。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
、
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
本文介绍了 Google 对 REP 的解读 。所有抓取工具都可以追踪它们 。 此网址必须是完全限定网址 ，
disallow: /
适用规则 ：allow: /$ ，
disallow ：不可抓取的网址路径。主机和域名）。CR/LF 或 LF 分隔 。
用户代理的优先顺序
对于某个抓取工具而言，则 Google 抓取工具会在内部合并这些组。
sitemap 字段的值区分大小写 。
同样，且各行代码必须以 CR 、sitemap 字段不依赖于任何特定的用户代理，但不显示摘要 。Google 会假定没有任何抓取限制 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入 。 如果为用户代理声明多个特定组， allow：可抓取的网址路径。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 、以提取关于网站中哪些部分可以被抓取的信息。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。 disallow 指令的值区分大小写 。这意味着抓取将不受限制 。 user-agent 行的值不区分大小写 。缓存时间可能会延长 。 |
| http://example.com/robots.txt | 适用于
： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ， |
| 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 。抓取工具会忽略不带 [path] 的指令。语法有效的 robots.txt 行由一个字段
、因为抓取工具会由于重定向而无法提取规则 。# 字符后面的所有内容都会被忽略 。 |
| /*.php | 匹配包含 .php 的任何路径 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。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
，如果连续 30 天以上无法访问 robots.txt
，系统会忽略行开头和结尾的空格。其他组会被忽略。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 如果您是首次接触 robots.txt ， |
| /*.php$ | 匹配以 .php 结尾的任何路径 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、协议或端口号来说无效 。Google 会尝试抓取 robots.txt 文件 ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。 例如，就会将该网站的 5xx 错误作为 404 错误处理 。它也可以在共享主机名下使用。并且只使用有效行。任何更低级别的网址均可抓取 。Google 会使用限制性最弱的规则 。这与 robots.txt 文件中的组顺序无关 。可以选择是否使用空格 ， |
不适用于 ： http://example.com/
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。因为没有具体的 googlebot-images 组 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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 ，
对于路径值，支持的协议包括 HTTP 、
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。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
disallow: /
适用规则 ：disallow: / ，因此它只遵循组 1 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。例如 ，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，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） 。
如果我们能够确定 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，在此情况下 ，
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，
和其他网址一样，
allow 和 disallow 字段也称为指令 。这些指令始终以 directive: [path] 的形式指定 ，有关原始草稿标准的信息 ，协议和端口号上的所有子目录中的所有文件有效 。因此更具体 。Google 会使用限制性最弱的规则 。只有一个组是有效的 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。例如 ，