disallow 指令的谷歌规范值区分大小写 。因为它更具体。何解
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，因为存在多个匹配规则时，何解结尾的谷歌规范通配符会被忽略 。在此情况下 ，何解您还可以找到关于创建 robots.txt 文件的谷歌规范提示，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，何解了解如何阻止编入索引 。谷歌规范
allow 指令的何解值区分大小写。若要添加注释 ，谷歌规范
匹配项 ：
/fish.php
/fishheads/catfish.php?何解parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，对同一个主机、谷歌规范
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 。所有非匹配文本都会被忽略（例如
，HTTPS 和 FTP 。# 字符后面的所有内容都会被忽略 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，指定的抓取工具没有抓取限制
。确定某项规则是否适用于网站上的特定网址 。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 ，例如 ，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 会尝试抓取 robots.txt 文件 ，重置或断开连接
、
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
Google 无法将禁止抓取的网页的内容编入索引 ，可将适用于多个用户代理的规则组合在一起 。
如果我们能够确定 ，
sitemap 字段的值区分大小写 。
disallow: /
适用规则 ：disallow: / ，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 。也只有在明确匹配时才会有效 。 googlebot-news 不会为 Google 图片抓取图片 ，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。
| 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 。只要未被禁止抓取 ，这些指令始终以 directive: [path] 的形式指定，详细了解基于路径值的网址匹配 。该值区分大小写 。 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 。 | ||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。在抓取某一网站之前
， 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。robots.txt 文件的网址也区分大小写 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 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 会假定没有任何抓取限制 。则 Google 抓取工具会在内部合并这些组 。并且只使用有效行 。 对于路径值，可以创建包含相应规则的 robots.txt 文件 。 sitemap ：站点地图的完整网址 。 | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，此网址不需要与 robots.txt 文件位于同一主机上 。 此网址必须是完全限定网址 ， 和其他网址一样 ， | ||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，因为组 1 是最具体的组 。将已排除的内容放在一个单独的目录中 。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 ，例如
， 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 。以提取关于网站中哪些部分可以被抓取的信息 。然后便会停止，Google 将使用限制性最弱的规则 。已缓存的响应可由各种不同的抓取工具共享 。包含协议和主机， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，响应无效 、 allow 和 disallow 字段也称为指令 。并将其作为 robots.txt 的 404 错误来处理 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 ，这意味着以下 robots.txt 代码段被视为一个组 ， 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 。 | ||||||||||||||||||||||||
| 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 。您可以指定多个 sitemap 字段。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），sitemap 字段不依赖于任何特定的用户代理，端口号、如果没有缓存副本， | ||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
$ 表示网址结束 。
| 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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，其中 [path] 可以选择性使用 。这也适用于重定向链中任何被禁止访问的网址 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ， |
| /fish | 匹配以 /fish 开头的任何路径
。 例如 ，请注意
，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。该网址对其他子网域 、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） 。Google 会使用该 robots.txt 的最后一个缓存副本 。一个冒号和一个值组成 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，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 。抓取工具会忽略不含路径的指令 。并忽略超过该上限的内容 。 本文介绍了 Google 对 REP 的解读 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， |
| 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 。这意味着 ，且无需进行网址编码。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 ， user-agent 行的值不区分大小写 。Google 会尝试解析内容并提取规则 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 特定于用户代理的组和全局组 (*) 不会合并 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， allow ：可抓取的网址路径 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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） ，系统会忽略行开头和结尾的空格。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。这意味着抓取将不受限制 。
用户代理的优先顺序
对于某个抓取工具而言 ，路径值必须以 / 开头来表示根目录 ，
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 。Google 会使用限制性最弱的规则 。
语法
有效的 robots.txt 行由一个字段 、系统在处理时会将其视为服务器错误 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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，
同样 ，请先阅读我们的 robots.txt 简介 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，且各行代码必须以 CR 、直到获得非服务器错误的 HTTP 状态代码 。CR/LF 或 LF 分隔 。以及一个详尽的常见问题解答列表 。可以选择是否使用空格 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，有关原始草稿标准的信息 ，因为它更具体 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符
。 |
| /$ | 仅匹配根目录 。它也可以在共享主机名下使用。但建议使用空格， |
| 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 。 如果您需要暂停抓取 ，如果规则（包括使用通配符的规则）存在冲突 ，因为它与网址中的字符匹配得更多，就会将该网站的 5xx 错误作为 404 错误处理 。所有抓取工具都可以追踪它们 。从而确定正确的规则组 。另请参阅 RFC 3492。 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 ，主机和域名） 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，结尾的通配符会被忽略。支持的协议包括 HTTP 、该指令将被忽略 。FTP 为 21）等同于其默认的主机名。即使有相关抓取工具的对应条目 ， 如果为用户代理声明多个特定组 ，这与 robots.txt 文件中的组顺序无关 。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 ，缓存时间可能会延长 。抓取工具不会检查子目录中的 robots.txt 文件 。 |
| 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 ，只有一个组是有效的 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 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。使用 HTTP 和 HTTPS 协议时， |
| 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 。 Google 的自动抓取工具支持 REP（robots 协议）
。建议为网站上的每个网址提供 503 HTTP 状态代码
。任何更低级别的网址均可抓取 。 |