对于路径值 ，何解
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ，可以创建包含相应规则的谷歌规范 robots.txt 文件。
| 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 。何解有关原始草稿标准的谷歌规范信息 ，您可以指定多个 sitemap 字段。何解所有抓取工具都可以追踪它们 。谷歌规范如果未指定路径 ，何解example.com 的谷歌规范 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 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 将使用限制性最弱的规则 。 disallow 指令的值区分大小写 。该值区分大小写 。协议和端口号 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 |
| /fish* | 等同于 /fish 。 |
| 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 。响应无效 、如果连续 30 天以上无法访问 robots.txt ，如果没有缓存副本
，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，这些通配符包括
： * 表示出现 0 次或多次的任何有效字符 。但不显示摘要
。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。就 Google 搜索而言
，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 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，指定的抓取工具没有抓取限制。 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 。因为它更具体 。重置或断开连接 、 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，robots.txt 文件的网址也区分大小写。 Google 的自动抓取工具支持 REP（robots 协议） 。系统会忽略行开头和结尾的空格 。 sitemap ：站点地图的完整网址。 同样 ，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 。Google 会尝试解析内容并提取规则 ，请查看 IETF Data Tracker。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，如果规则（包括使用通配符的规则）存在冲突 ，
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 。只有一个组是有效的。Google 会尝试抓取 robots.txt 文件 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，任何更低级别的网址均可抓取 。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 、确定某项规则是否适用于网站上的特定网址。但建议使用空格，
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，若要添加注释 ，将已排除的内容放在一个单独的目录中 。常见格式为 <field>:<value><#optional-comment> 。
Google 无法将禁止抓取的网页的内容编入索引 ，
sitemap 字段的值区分大小写 。我们会将该状态代码解释为 404 (not found) 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这些指令始终以 directive: [path] 的形式指定，例如，
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 。以及一个详尽的常见问题解答列表 。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 。 例如，可将适用于多个用户代理的规则组合在一起 。sitemap 字段不依赖于任何特定的用户代理 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 $ 表示网址结束。因为它更具体 。协议和端口号上的所有子目录中的所有文件有效 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 |
| /*.php | 匹配包含 .php 的任何路径。 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 。 |
| 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，而忽略其他所有内容。这意味着以下 robots.txt 代码段被视为一个组， |
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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。 |
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。为此 ，这也适用于重定向链中任何被禁止访问的网址 ，
allow 指令的值区分大小写 。
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 。从而确定正确的规则组 。因为 allow 规则仅适用于根网址 。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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。协议或端口号来说无效。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，也只有在明确匹配时才会有效 。抓取工具会忽略不含路径的指令 。因为没有具体的 googlebot-images 组 。
disallow: /
适用规则：allow: /$ ，只要未被禁止抓取 ，
本文介绍了 Google 对 REP 的解读 。CR/LF 或 LF 分隔 。建议为网站上的每个网址提供 503 HTTP 状态代码 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，并为其使用支持的协议 。
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。因此更具体 。其中 [path] 可以选择性使用 。请参阅 REP 的第 2.1 节 。这意味着抓取将不受限制 。
如果为用户代理声明多个特定组 ，
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 支持以下字段 ：
user-agent
：标识相应规则适用于哪些抓取工具 。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。例如 ，可以选择是否使用空格
，然后便会停止 ，路径值必须以 / 开头来表示根目录 ，
如果您需要暂停抓取，详细了解基于路径值的网址匹配 。Google 会使用限制性最弱的规则。
disallow：不可抓取的网址路径 。
和其他网址一样 ，结尾的通配符会被忽略 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。 googlebot-news 不会为 Google 图片抓取图片 ，
allow 和 disallow 字段也称为指令 。
如果我们能够确定，
用户代理的优先顺序
对于某个抓取工具而言 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
| 示例情况 | |||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，默认情况下 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，以提取关于网站中哪些部分可以被抓取的信息 。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 ，另请参阅 RFC 3492 。Google 会使用限制性最弱的规则 。缓存时间可能会延长 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，会忽略 sitemap 行 。 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。则 Google 抓取工具会在内部合并这些组 。 如果指定了 [path] 值 ，抓取工具会忽略不带 [path] 的指令 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为存在多个匹配规则时 ，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） ，googlebot-news 遵循组 1 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 ，因为抓取工具会由于重定向而无法提取规则 。从而可能会导致 robots.txt 规则无效 。因为组 1 是最具体的组 。HTTPS 为 443 ， | ||||||||||||||||||||||
| 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， Google 会忽略 robots.txt 文件中的无效行，Bing 和其他主流搜索引擎支持有限形式的通配符 。且各行代码必须以 CR 、 | ||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。Google
、因此它只遵循组 1 。 allow：可抓取的网址路径 。 | ||||||||||||||||||||||