什么是谷歌规范 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：
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谷歌规范规则组 ：
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 ，
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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。因为抓取工具会由于重定向而无法提取规则 。谷歌规范了解如何阻止编入索引 。
user-agent 行的值不区分大小写 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
用户代理的优先顺序
对于某个抓取工具而言，googlebot-news 遵循组 1 。例如 ，Google 会使用限制性最弱的规则 。
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，sitemap 字段不依赖于任何特定的用户代理 ，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 、
sitemap：站点地图的完整网址 。因此更具体。 此网址必须是完全限定网址 ，因为它更具体 。该值区分大小写 。可以创建包含相应规则的 robots.txt 文件 。Google 会尝试抓取 robots.txt 文件 ，抓取工具会忽略不带 [path] 的指令。
和其他网址一样
，将已排除的内容放在一个单独的目录中
。我们会将该状态代码解释为 404 (not found)
。
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 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
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://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 。例如 ，Google 、
Google 会忽略 robots.txt 文件中的无效行 ，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 ：不可抓取的网址路径 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。以及一个详尽的常见问题解答列表 。
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， allow ：可抓取的网址路径 。在此情况下 ， 同样 ，HTTPS 为 443 ，HTTPS 和 FTP 。这些指令始终以 directive: [path] 的形式指定 ，并为其使用支持的协议 。 $ 表示网址结束 。只有一个组是有效的 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。503 (service unavailable) 错误会导致非常频繁的重试操作 。这也适用于重定向链中任何被禁止访问的网址 ，就会将该网站的 5xx 错误作为 404 错误处理 。抓取工具会根据规则路径的长度使用最具体的规则。抓取工具不会检查子目录中的 robots.txt 文件。 | ||||||||||||||||||||||
| 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 ， | ||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，就 Google 搜索而言 ，您还可以找到关于创建 robots.txt 文件的提示 ， disallow 指令的值区分大小写 。 | ||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。一个冒号和一个值组成 。该指令将被忽略。请先阅读我们的 robots.txt 简介 。结尾的通配符会被忽略 。 googlebot-news 不会为 Google 图片抓取图片 ，并忽略超过该上限的内容 。响应无效
、 如果指定了 [path] 值 ， | ||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，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 的自动抓取工具支持 REP（robots 协议） 。协议和端口号 。因为 allow 规则仅适用于根网址 。常见格式为 <field>:<value><#optional-comment> 。 | ||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，语法有效的 robots.txt 行由一个字段 、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。建议为网站上的每个网址提供 503 HTTP 状态代码 。例如，且无需进行网址编码 。这意味着抓取将不受限制 。 | ||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 | ||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，您可以指定多个 sitemap 字段 。
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 。抓取工具会忽略不含路径的指令 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，结尾的通配符会被忽略 。而忽略其他所有内容 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，但建议使用空格 ，
Google 无法将禁止抓取的网页的内容编入索引 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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。默认情况下 ，并采用匿名登录方式。
sitemap 字段的值区分大小写 。详细了解基于路径值的网址匹配 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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）
，该网址对其他子网域、 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 。
# 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 ，因为组 1 是最具体的组 。其中 [path] 可以选择性使用。
如果为用户代理声明多个特定组 ，则 Google 抓取工具会在内部合并这些组 。因为没有具体的 googlebot-images 组。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 。会忽略 sitemap 行。它也可以在共享主机名下使用 。指定的抓取工具没有抓取限制 。使用 HTTP 和 HTTPS 协议时，请参阅 REP 的第 2.1 节 。请参阅 Google 抓取工具和用户代理字符串 ，任何更低级别的网址均可抓取 。在抓取某一网站之前 ，Google 会使用限制性最弱的规则 。路径值必须以 / 开头来表示根目录，
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 。
allow 指令的值区分大小写 。Bing 和其他主流搜索引擎支持有限形式的通配符 。FTP 为 21）等同于其默认的主机名 。
disallow: /
适用规则：disallow: / ，并将其作为 robots.txt 的 404 错误来处理 。Google 会假定没有任何抓取限制。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 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 ，其他组会被忽略 。因此它只遵循组 1 。支持的协议包括 HTTP 、确定某项规则是否适用于网站上的特定网址。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
对于路径值 ，请查看 IETF Data Tracker 。Google 将使用限制性最弱的规则 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、只要未被禁止抓取 ，对同一个主机 、若要添加注释 ，如果未指定路径 ，因为它与网址中的字符匹配得更多 ，这与 robots.txt 文件中的组顺序无关 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，也只有在明确匹配时才会有效 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /*.ph
适用规则 ：allow: /page ，Javascript 或元刷新型重定向） 。所有抓取工具都可以追踪它们 。
* 表示出现 0 次或多次的任何有效字符 。robots.txt 文件是一个简单的文本文件 ，缓存时间可能会延长 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，系统会忽略行开头和结尾的空格。有助于提高可读性 。 如果您是首次接触 robots.txt ，系统在处理时会将其视为服务器错误 。因为它更具体 。即使有相关抓取工具的对应条目 ，robots.txt 文件的网址也区分大小写。主机和域名）。端口号 、如果没有缓存副本 ，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 ， 本文介绍了 Google 对 REP 的解读 。直到获得非服务器错误的 HTTP 状态代码。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、如果下载的内容是 Html 格式而非 robots.txt 规则 ， |
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。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，