Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、结尾的何解通配符会被忽略 。因为存在多个匹配规则时，谷歌规范
Google 无法将禁止抓取的何解网页的内容编入索引，因为抓取工具会由于重定向而无法提取规则 。谷歌规范以及一个详尽的何解常见问题解答列表 。重置或断开连接、谷歌规范
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的何解路径 。因为它更具体 。谷歌规范一个冒号和一个值组成。何解请参阅 Google 抓取工具和用户代理字符串 ，谷歌规范如果规则（包括使用通配符的何解规则）存在冲突 ，
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，
| ||||||
| 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。协议和端口号上的所有子目录中的所有文件有效 。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， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 Google 的自动抓取工具支持 REP（robots 协议） 。就 Google 搜索而言 ，且无需进行网址编码。则 Google 抓取工具会在内部合并这些组。将已排除的内容放在一个单独的目录中 。Google 可能会忽略不属于 UTF-8 范围的字符 ，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。robots.txt 文件的网址也区分大小写 。 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 ，抓取工具会忽略不带 [path] 的指令 。也只有在明确匹配时才会有效 。这意味着以下 robots.txt 代码段被视为一个组 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，Google、抓取工具会根据规则路径的长度使用最具体的规则 。请参阅 REP 的第 2.1 节 。robots.txt 文件是一个简单的文本文件，
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 。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 ，
Google 会忽略 robots.txt 文件中的无效行 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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 ，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 、该值区分大小写。响应无效 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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 。
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 。您可以指定多个 sitemap 字段 。
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 ，该网址对其他子网域、 本文介绍了 Google 对 REP 的解读。Google 、所有抓取工具都可以追踪它们 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， googlebot-news 不会为 Google 图片抓取图片 ， 特定于用户代理的组和全局组 (*) 不会合并。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，请在注释前面加上 # 字符 。因为没有具体的 googlebot-images 组。 此网址必须是完全限定网址，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 会尝试抓取 robots.txt 文件 ， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 |
| /* | 等同于 / 。该指令将被忽略。系统会忽略行开头和结尾的空格
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。503 (service unavailable) 错误会导致非常频繁的重试操作 。什么是 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 ，例如，但不显示摘要 。系统在处理时会将其视为服务器错误 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。
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
disallow: /*.ph
适用规则 ：allow: /page ，抓取工具会忽略不含路径的指令。有助于提高可读性 。这也适用于重定向链中任何被禁止访问的网址 ，
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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。如果没有缓存副本 ，所有非匹配文本都会被忽略（例如 ， 例如，并将其作为 robots.txt 的 404 错误来处理 。从而可能会导致 robots.txt 规则无效 。确定某项规则是否适用于网站上的特定网址 。缓存时间可能会延长 。我们会将该状态代码解释为 404 (not found) 。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 。会忽略 sitemap 行 。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 ，默认情况下，以提取关于网站中哪些部分可以被抓取的信息 。可将适用于多个用户代理的规则组合在一起。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。路径值必须以 / 开头来表示根目录 ，sitemap 字段不依赖于任何特定的用户代理 ，常见格式为 <field>:<value><#optional-comment> 。HTTPS 和 FTP 。这意味着抓取将不受限制 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，因为 allow 规则仅适用于根网址 。CR/LF 或 LF 分隔 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，若要添加注释 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
$ 表示网址结束 。任何更低级别的网址均可抓取 。例如 ，
disallow ：不可抓取的网址路径 。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 。
对于路径值 ，使用 HTTP 和 HTTPS 协议时 ，抓取工具不会检查子目录中的 robots.txt 文件 。
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 ，
如果指定了 [path] 值 ，
allow 和 disallow 字段也称为指令。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
user-agent 行的值不区分大小写 。请先阅读我们的 robots.txt 简介 。了解如何阻止编入索引 。
和其他网址一样，协议和端口号 。Google 会使用限制性最弱的规则
。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 。
allow ：可抓取的网址路径 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
如果为用户代理声明多个特定组 ，
sitemap 字段的值区分大小写 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。有关原始草稿标准的信息 ，另请参阅 RFC 3492 。且各行代码必须以 CR 、Google 将使用限制性最弱的规则 。
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
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
disallow: /folder
适用规则 ：allow: /folder ，这些指令始终以 directive: [path] 的形式指定，
disallow: /
适用规则：allow: /$ ，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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，直到获得非服务器错误的 HTTP 状态代码 。
sitemap ：站点地图的完整网址 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。
用户代理的优先顺序
对于某个抓取工具而言，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
| 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
。因此它只遵循组 1
。因为组 1 是最具体的组
。Javascript 或元刷新型重定向） 。然后便会停止 ， 同样 ，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 。建议为网站上的每个网址提供 503 HTTP 状态代码。可以创建包含相应规则的 robots.txt 文件。 |
| 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 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，已缓存的响应可由各种不同的抓取工具共享。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，即使有相关抓取工具的对应条目 ，因为它更具体 。 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 ，
disallow 指令的值区分大小写 。结尾的通配符会被忽略 。
语法
有效的 robots.txt 行由一个字段 、更多食谱
掌握网站关键词与用户搜索的关系NIKKY男装中国选手郑钦文重返中网女单四强3月末公募调研热度攀升 电子等行业受青睐“搭子”之外，让深度联结成为可能9月梅州CPI出炉！铂金饰品价格同比上涨52.3%NICOLE LEE梅西获第6次足球先生荣誉 排名力压范戴克和C罗封王