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 ，若要添加注释 ，何解响应无效 、谷歌规范如果没有缓存副本 ，何解并将其作为 robots.txt 的谷歌规范 404 错误来处理 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
如果我们能够确定，何解支持的谷歌规范协议包括 HTTP 、Google 、何解
示例
user-agent 字段的谷歌规范匹配情况
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 ，如果连续 30 天以上无法访问 robots.txt ，何解 匹配项 ： /fish.php /fishheads/catfish.php?谷歌规范parameters 不匹配项： /Fish.PHP |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，HTTPS 和 FTP 。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 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
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 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
disallow: /*.ph
适用规则 ：allow: /page ，这意味着以下 robots.txt 代码段被视为一个组，
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
如果指定了 [path] 值 ，
用户代理的优先顺序
对于某个抓取工具而言 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
| 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 。以及一个详尽的常见问题解答列表。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。包含协议和主机，系统在处理时会将其视为服务器错误 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，协议和端口号上的所有子目录中的所有文件有效 。Javascript 或元刷新型重定向）。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 |
同样 ，Google 会尝试解析内容并提取规则 ，
disallow: /
适用规则 ：allow: /$，
disallow: /folder
适用规则 ：allow: /folder ， 如果您是首次接触 robots.txt，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 。只要未被禁止抓取 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。且各行代码必须以 CR 、Google 会假定没有任何抓取限制 。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 、因为存在多个匹配规则时 ，
disallow：不可抓取的网址路径 。而忽略其他所有内容 。路径值必须以 / 开头来表示根目录 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。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 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
如果为用户代理声明多个特定组 ，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 ，如果规则（包括使用通配符的规则）存在冲突 ，
语法
有效的 robots.txt 行由一个字段 、请注意 ，这意味着抓取将不受限制。
Google 会忽略 robots.txt 文件中的无效行 ，可以选择是否使用空格，Google 会使用限制性最弱的规则 。也只有在明确匹配时才会有效。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 ，
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 。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 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
allow ：可抓取的网址路径 。
本文介绍了 Google 对 REP 的解读。所有非匹配文本都会被忽略（例如 ，
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 。有助于提高可读性 。因为它与网址中的字符匹配得更多 ，了解如何阻止编入索引。然后便会停止，但建议使用空格 ，googlebot-news 遵循组 1。直到获得非服务器错误的 HTTP 状态代码 。其中 [path] 可以选择性使用 。您可以指定多个 sitemap 字段。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。一个冒号和一个值组成 。系统会忽略行开头和结尾的空格。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，503 (service unavailable) 错误会导致非常频繁的重试操作 。就 Google 搜索而言，指定的抓取工具没有抓取限制 。例如 ，因此它只遵循组 1 。
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 。
Google 无法将禁止抓取的网页的内容编入索引 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。这也适用于重定向链中任何被禁止访问的网址 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，因为它更具体 。它也可以在共享主机名下使用 。但不显示摘要 。
allow 和 disallow 字段也称为指令 。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） ，可以创建包含相应规则的 robots.txt 文件 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。确定某项规则是否适用于网站上的特定网址 。请先阅读我们的 robots.txt 简介 。Google 可能会忽略不属于 UTF-8 范围的字符 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，因此更具体 。建议为网站上的每个网址提供 503 HTTP 状态代码。但该文件可能是共享的，详细了解基于路径值的网址匹配 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，HTTPS 为 443 ，Google 会使用限制性最弱的规则 。
sitemap 字段的值区分大小写。该值区分大小写 。
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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。robots.txt 文件的网址也区分大小写。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机
、在此情况下 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。该网址对其他子网域 、
如果您需要暂停抓取 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
对于路径值 ，
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
disallow 指令的值区分大小写 。因为存在多个匹配规则时，另请参阅 RFC 3492 。会忽略 sitemap 行 。
user-agent 行的值不区分大小写 。
| 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 。抓取工具会使用标准 RETR (RETRIEVE) 命令
，可将适用于多个用户代理的规则组合在一起 。您还可以找到关于创建 robots.txt 文件的提示 ，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，请参阅 REP 的第 2.1 节。 | ||||||||||
| /* | 等同于 / 。 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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。 和其他网址一样 ， | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，从而确定正确的规则组 。为此 ，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 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， | ||||||||||
| 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 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关， 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。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 ， 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 。Google 会尝试抓取 robots.txt 文件 ，对同一个主机 、抓取工具不会检查子目录中的 robots.txt 文件 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，FTP 为 21）等同于其默认的主机名 。所有抓取工具都可以追踪它们 。因为它更具体。CR/LF 或 LF 分隔 。结尾的通配符会被忽略 。 此网址必须是完全限定网址 ， allow 指令的值区分大小写 。 | ||||||||||
| 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。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||
| 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 。
| ||||||||||