Google 的何解自动抓取工具支持 REP（robots 协议） 。
sitemap 字段的谷歌规范值区分大小写 。
用户代理的何解优先顺序
对于某个抓取工具而言 ，Google 会尝试抓取 robots.txt 文件 ，谷歌规范可以创建包含相应规则的何解 robots.txt 文件 。并将其作为 robots.txt 的谷歌规范 404 错误来处理 。协议和端口号 。何解因为没有具体的谷歌规范 googlebot-images 组 。 如果您是何解首次接触 robots.txt，
| 错误处理和 HTTP 状态代码 | |||||||||||||||||||||
| 2xx（成功） | 表示成功的谷歌规范 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 。 特定于用户代理的何解组和全局组 (*) 不会合并
。但在无法刷新缓存版本的谷歌规范情况下（例如出现超时或 5xx 错误时） ，为此，sitemap 字段不依赖于任何特定的用户代理 ，以及一个详尽的常见问题解答列表 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。 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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 对于路径值 ，已缓存的响应可由各种不同的抓取工具共享。 Google 会忽略 robots.txt 文件中的无效行，503 (service unavailable) 错误会导致非常频繁的重试操作 。请查看 IETF Data Tracker 。该值区分大小写 。只要未被禁止抓取 ， | ||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，您可以指定多个 sitemap 字段 。例如 ， 和其他网址一样 ，其中 [path] 可以选择性使用。就会将该网站的 5xx 错误作为 404 错误处理 。 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，请在注释前面加上 # 字符 。 | ||||||||||||||||||||
| 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 。 如果指定了 [path] 值 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||||||||||
| /* | 等同于 /
。可将适用于多个用户代理的规则组合在一起 。缓存时间可能会延长 。请参阅 Google 抓取工具和用户代理字符串
，系统会忽略行开头和结尾的空格 。 sitemap：站点地图的完整网址。Google 会假定没有任何抓取限制 。可以选择是否使用空格 ，就 Google 搜索而言 ，
disallow 指令的值区分大小写。会忽略 sitemap 行 。确定某项规则是否适用于网站上的特定网址 。Google 会尝试解析内容并提取规则， | ||||||||||||||||||||
| 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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 可能会忽略不属于 UTF-8 范围的字符 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，而忽略其他所有内容 。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， 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， 例如 ， | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。但该文件可能是共享的 ， | ||||||||||||||||||||
| 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。以提取关于网站中哪些部分可以被抓取的信息 。系统在处理时会将其视为服务器错误。 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 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。任何更低级别的网址均可抓取 。robots.txt 文件的网址也区分大小写 。 匹配项： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径。 | ||||||||||||||||||||
| 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。robots.txt 文件是一个简单的文本文件 ，所有抓取工具都可以追踪它们 。在抓取某一网站之前 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，FTP 为 21）等同于其默认的主机名 。这些指令始终以 directive: [path] 的形式指定 ，Javascript 或元刷新型重定向） 。HTTPS 为 443 ， 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。 | ||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。其他组会被忽略 。 | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。请参阅 REP 的第 2.1 节 。也只有在明确匹配时才会有效
。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 ，包含协议和主机 ，即使有相关抓取工具的对应条目 ，它也可以在共享主机名下使用。因为它与网址中的字符匹配得更多，因为存在多个匹配规则时 ，因为组 1 是最具体的组 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ，另请参阅 RFC 3492 。将已排除的内容放在一个单独的目录中。因为它更具体 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，但不显示摘要 。详细了解基于路径值的网址匹配 。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，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，请先阅读我们的 robots.txt 简介 。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 ，并为其使用支持的协议 。抓取工具不会检查子目录中的 robots.txt 文件。 | ||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，例如，
如果我们能够确定，
allow：可抓取的网址路径。抓取工具会忽略不带 [path] 的指令 。
disallow: /
适用规则 ：disallow: /，
allow 和 disallow 字段也称为指令 。
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
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，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、CR/LF 或 LF 分隔。
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
。端口号 、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，Google 会使用限制性最弱的规则。并采用匿名登录方式 。协议和端口号上的所有子目录中的所有文件有效 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
disallow ：不可抓取的网址路径 。Google 会使用限制性最弱的规则 。因此它只遵循组 1。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /*.htm
适用规则 ：disallow: /*.htm ，有助于提高可读性。这意味着抓取将不受限制 。并且只使用有效行 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。这意味着以下 robots.txt 代码段被视为一个组 ，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 ，从而确定正确的规则组 。
* 表示出现 0 次或多次的任何有效字符 。有关原始草稿标准的信息 ，并忽略超过该上限的内容 。
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 。主机和域名） 。因此更具体 。
allow 指令的值区分大小写 。这意味着 ，因为存在多个匹配规则时 ，Google 、googlebot/1.2 和 googlebot* 均等同于 googlebot）。在此情况下 ，HTTPS 和 FTP 。Google 、
如果您需要暂停抓取 ，Google 会使用该 robots.txt 的最后一个缓存副本 。且无需进行网址编码 。直到获得非服务器错误的 HTTP 状态代码。常见格式为 <field>:<value><#optional-comment> 。因为 allow 规则仅适用于根网址 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，默认情况下，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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
$ 表示网址结束 。例如 ，
disallow: /folder
适用规则 ：allow: /folder ，响应无效 、
同样 ，
本文介绍了 Google 对 REP 的解读 。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） 。这与 robots.txt 文件中的组顺序无关 。只有一个组是有效的。
Google 无法将禁止抓取的网页的内容编入索引 ，
语法
有效的 robots.txt 行由一个字段、抓取工具会忽略不含路径的指令。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 。但建议使用空格 ，
| 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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 更多食谱十五运会群众比赛足球项目五人制男子组决赛激情开赛！坐标：梅县区文体中心农心白山水杯第一阶段收官 日本队结城聪豪取四连胜ALLDAY PROJECT时隔9个月回归！第二张EP《CRASH》定档9月28日深圳4.0标准垃圾分类投放点助白石厦垃圾分类示范区GIFFARINE (芝芙莲)首条全生命周期智慧运河 三个关键词看平陆运河“智”在哪视频通古代，大阅兵让五常破防首码新项目零撸佣兵矿场 目前不用操作 嗦粉 上线以后 每天签到即可 |