Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，
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 。路径值必须以 / 开头来表示根目录 ，谷歌规范
| 路径匹配示例 | |||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。何解但不显示摘要。谷歌规范Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组
，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 ，谷歌规范下面说明了抓取工具如何理解之前的何解 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 ，该指令将被忽略 。谷歌规范 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。就 Google 搜索而言 ， disallow ：不可抓取的网址路径 。 | ||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 | ||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，其他组会被忽略 。因此它只遵循组 1 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，因为组 1 是最具体的组。
* 表示出现 0 次或多次的任何有效字符 。常见格式为 <field>:<value><#optional-comment>。
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||||||||||
| 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 ， | ||||||||||||||||||||
| 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 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 ，# 字符后面的所有内容都会被忽略。这意味着抓取将不受限制 。 | ||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，这也适用于重定向链中任何被禁止访问的网址 ，但该文件可能是共享的 ，您还可以找到关于创建 robots.txt 文件的提示，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 此网址必须是完全限定网址 ，且无需进行网址编码 。 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，也只有在明确匹配时才会有效。对同一个主机、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 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、从而确定正确的规则组 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。抓取工具会忽略不带 [path] 的指令 。主机和域名） 。缓存时间可能会延长 。有助于提高可读性 。详细了解基于路径值的网址匹配。所有非匹配文本都会被忽略（例如，会忽略 sitemap 行 。 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 。只要未被禁止抓取 ，因为存在多个匹配规则时 ，在抓取某一网站之前 ，其中 [path] 可以选择性使用 。可将适用于多个用户代理的规则组合在一起 。 用户代理的优先顺序对于某个抓取工具而言 ，了解如何阻止编入索引 。 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://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。因为 allow 规则仅适用于根网址 。例如 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。协议和端口号 。 | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。请参阅 REP 的第 2.1 节 。我们会将该状态代码解释为 404 (not found)。 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，协议或端口号来说无效 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因为没有具体的 googlebot-images 组 。 如果您需要暂停抓取 ，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） ，在此情况下，它也可以在共享主机名下使用 。这些指令始终以 directive: [path] 的形式指定，robots.txt 文件是一个简单的文本文件 ， | ||||||||||||||||||||
| /$ | 仅匹配根目录 。而忽略其他所有内容 。 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 | ||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。如果没有缓存副本 ，如果规则（包括使用通配符的规则）存在冲突
，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 会尝试抓取 robots.txt 文件
，请参阅 Google 抓取工具和用户代理字符串，使用 HTTP 和 HTTPS 协议时 ，系统会忽略行开头和结尾的空格
。请查看 IETF Data Tracker 。因此更具体 。协议和端口号上的所有子目录中的所有文件有效 。 Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||||||||||||||||
| /fish* | 等同于 /fish 。包含协议和主机， disallow 指令的值区分大小写 。FTP 为 21）等同于其默认的主机名。 | ||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，Google
、文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这意味着以下 robots.txt 代码段被视为一个组，有关原始草稿标准的信息 ，请在注释前面加上 # 字符 。响应无效 、503 (service unavailable) 错误会导致非常频繁的重试操作。 对于路径值 ，可以选择是否使用空格 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， | ||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，robots.txt 文件的网址也区分大小写
。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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，系统在处理时会将其视为服务器错误。
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 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。并为其使用支持的协议 。
语法
有效的 robots.txt 行由一个字段、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
user-agent 行的值不区分大小写。Google 、
$ 表示网址结束 。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） 。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，结尾的通配符会被忽略 。
disallow: /
适用规则：allow: /$ ，
sitemap ：站点地图的完整网址 。googlebot-news 遵循组 1 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
allow 指令的值区分大小写 。一个冒号和一个值组成 。
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 ，Google 会使用限制性最弱的规则 。确定某项规则是否适用于网站上的特定网址。且各行代码必须以 CR 、即使有相关抓取工具的对应条目 ， |
| 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 。并将其作为 robots.txt 的 404 错误来处理 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 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 。请注意 ，以及一个详尽的常见问题解答列表 。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。若要添加注释，指定的抓取工具没有抓取限制 。 Google 无法将禁止抓取的网页的内容编入索引 ，Javascript 或元刷新型重定向）。 |