和其他网址一样 ，谷歌规范
disallow: /*.ph
适用规则 ：allow: /page ，何解这与 robots.txt 文件中的谷歌规范组顺序无关 。只要未被禁止抓取 ，何解请先阅读我们的谷歌规范 robots.txt 简介。
语法
有效的何解 robots.txt 行由一个字段、因此更具体 。谷歌规范例如 ，何解我们会将该状态代码解释为 404 (not found)。谷歌规范
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。何解# 字符后面的谷歌规范所有内容都会被忽略 。但该文件可能是何解共享的 ，请注意，谷歌规范请查看 IETF Data Tracker 。何解HTTPS 和 FTP 。谷歌规范
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 ，但不显示摘要 。为此， | ||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，则 Google 抓取工具会在内部合并这些组
。从而确定正确的规则组。另请参阅 RFC 3492 。因此它只遵循组 1 。协议和端口号 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、协议或端口号来说无效 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，该指令将被忽略 。抓取工具会根据规则路径的长度使用最具体的规则 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 如果为用户代理声明多个特定组 ，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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。robots.txt 文件的网址也区分大小写 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 如果指定了 [path] 值 ，将已排除的内容放在一个单独的目录中。确定某项规则是否适用于网站上的特定网址 。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 。
allow 和 disallow 字段也称为指令 。 | ||||||||||||||||||
| 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。支持的协议包括 HTTP 、路径值必须以 / 开头来表示根目录 ，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） 。 disallow 指令的值区分大小写 。 | ||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，
如果您需要暂停抓取，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
，结尾的通配符会被忽略 。
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 ，
Google 无法将禁止抓取的网页的内容编入索引 ，
sitemap 字段的值区分大小写 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。对同一个主机 、但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 例如
，其中 [path] 可以选择性使用 。
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
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 ，这意味着以下 robots.txt 代码段被视为一个组 ，如果未指定路径 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，并忽略超过该上限的内容 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
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 。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。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。结尾的通配符会被忽略 。Google 会尝试解析内容并提取规则 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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 。所有非匹配文本都会被忽略（例如 ，robots.txt 文件是一个简单的文本文件 ，
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。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 ， 特定于用户代理的组和全局组 (*) 不会合并 。
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 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。其他组会被忽略 。
Google 的自动抓取工具支持 REP（robots 协议） 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，
对于路径值 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。该值区分大小写 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。这意味着抓取将不受限制。因为组 1 是最具体的组 。协议和端口号上的所有子目录中的所有文件有效 。例如 ，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 ，因为 allow 规则仅适用于根网址 。有关原始草稿标准的信息 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，并采用匿名登录方式 。Google 、
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 ，了解如何阻止编入索引
。请参阅 REP 的第 2.1 节 。
如果我们能够确定 ，并为其使用支持的协议 。googlebot/1.2 和 googlebot* 均等同于 googlebot）
。
disallow: /
适用规则：disallow: / ，如果规则（包括使用通配符的规则）存在冲突 ，
同样 ，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 ，Google 会使用限制性最弱的规则 。即使有相关抓取工具的对应条目 ，
| 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 。 Google 会忽略 robots.txt 文件中的无效行 ， allow：可抓取的网址路径。googlebot-news 遵循组 1。在抓取某一网站之前 ，系统会忽略行开头和结尾的空格 。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 ，所有抓取工具都可以追踪它们
。缓存时间可能会延长 。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），任何更低级别的网址均可抓取 。因为存在多个匹配规则时 ，CR/LF 或 LF 分隔 。 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 ，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 。请在注释前面加上 # 字符 。Google 会假定没有任何抓取限制 。 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 。sitemap 字段不依赖于任何特定的用户代理，系统在处理时会将其视为服务器错误 。 |
| 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 。指定的抓取工具没有抓取限制。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 、 匹配项 ： /fish.php /fishheads/catfish.php?parameters 不匹配项 ： /Fish.PHP |
规则的优先顺序
匹配 robots.txt 规则与网址时，因为没有具体的 googlebot-images 组 。此网址不需要与 robots.txt 文件位于同一主机上 。
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，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
| 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。 sitemap ：站点地图的完整网址。 |
| /fish* | 等同于 /fish 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，抓取工具会忽略不带 [path] 的指令 。且无需进行网址编码 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， user-agent 行的值不区分大小写。 本文介绍了 Google 对 REP 的解读 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。直到获得非服务器错误的 HTTP 状态代码。Google 会使用限制性最弱的规则 。 |
| Googlebot Images | googlebot-images 遵循组 2 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ，以及一个详尽的常见问题解答列表
。文化延伸怎么手算立方根庄子思想及名句赏析推荐书法名言名句欣赏推荐霸气名言名句精选10句推荐今年前7个月 泉州经济运行稳中见韧庄子思想及名句赏析推荐名言名句欣赏推荐真诚做人用心做事名言推荐 |