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 ，有关原始草稿标准的谷歌规范信息 ， 特定于用户代理的何解组和全局组 (*) 不会合并 。
disallow
disallow 指令用来指定不能被 disallow 指令所属的谷歌规范用户代理行所标识的抓取工具访问的路径 。
用户代理的何解优先顺序
对于某个抓取工具而言 ，请在注释前面加上 # 字符。谷歌规范Bing 和其他主流搜索引擎支持有限形式的何解通配符 。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。从而可能会导致 robots.txt 规则无效 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。Google 可能会忽略不属于 UTF-8 范围的字符 ，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 ， |
Google 的自动抓取工具支持 REP（robots 协议）。它也可以在共享主机名下使用
。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 。
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 ，结尾的通配符会被忽略 。抓取工具会根据规则路径的长度使用最具体的规则 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
和其他网址一样 ，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、就 Google 搜索而言 ，
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 。
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
/desert/fish
注意 ：匹配时区分大小写。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。并采用匿名登录方式
。如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为存在多个匹配规则时，Google 将使用限制性最弱的规则 。robots.txt 文件的网址也区分大小写。 例如
，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，
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。
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 。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） 。
同样，这意味着抓取将不受限制 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，
allow ：可抓取的网址路径 。
如果为用户代理声明多个特定组，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，请查看 IETF Data Tracker。为此 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 会使用该 robots.txt 的最后一个缓存副本 。
disallow: /
适用规则：allow: /$ ，
| 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 。这意味着 ，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 ，因为存在多个匹配规则时 ， 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 。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 。如果 robots.txt 文件的字符编码不是 UTF-8 ， | ||||||||||||||||||||||||||
| 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 。主机和域名） 。端口号 、这也适用于重定向链中任何被禁止访问的网址， | ||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，会忽略 sitemap 行。支持的协议包括 HTTP 、建议为网站上的每个网址提供 503 HTTP 状态代码 。 Google 无法将禁止抓取的网页的内容编入索引 ， | ||||||||||||||||||||||||||
| 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 ，该值区分大小写
。 如果您是首次接触 robots.txt，这些指令始终以 directive: [path] 的形式指定，抓取工具会忽略不含路径的指令。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。如果没有缓存副本 ，协议和端口号 。 allow 指令的值区分大小写 。 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 ，因为组 1 是最具体的组 。 | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，以及一个详尽的常见问题解答列表 。 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 。一个冒号和一个值组成。 user-agent 行的值不区分大小写 。详细了解基于路径值的网址匹配 。所有抓取工具都可以追踪它们。 disallow 指令的值区分大小写 。结尾的通配符会被忽略。抓取工具不会检查子目录中的 robots.txt 文件 。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。 | ||||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。且各行代码必须以 CR 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
，Google 抓取工具会下载并解析该网站的 robots.txt 文件
，且无需进行网址编码
。因为它更具体
。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 ，因此它只遵循组 1。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具
。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， 对于路径值 ，CR/LF 或 LF 分隔。 | ||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。这意味着以下 robots.txt 代码段被视为一个组 ， | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，使用 HTTP 和 HTTPS 协议时 ，抓取工具会忽略不带 [path] 的指令 。例如 ，此网址不需要与 robots.txt 文件位于同一主机上 。指定的抓取工具没有抓取限制 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。因为没有具体的 googlebot-images 组。但该文件可能是共享的 ，其他组会被忽略 。直到获得非服务器错误的 HTTP 状态代码 。该网址对其他子网域、以提取关于网站中哪些部分可以被抓取的信息 。协议和端口号上的所有子目录中的所有文件有效 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。如果连续 30 天以上无法访问 robots.txt， | ||||||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，请注意 ，也只有在明确匹配时才会有效 。
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 ，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 ，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 ，并将其作为 robots.txt 的 404 错误来处理 。另请参阅 RFC 3492 。就会将该网站的 5xx 错误作为 404 错误处理 。包含协议和主机 ，可以创建包含相应规则的 robots.txt 文件 。对同一个主机 、系统在处理时会将其视为服务器错误 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，Google 会假定没有任何抓取限制 。这与 robots.txt 文件中的组顺序无关 。
| 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 。 googlebot-news 不会为 Google 图片抓取图片 ， 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 ：
| ||||