什么是何解 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 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范有助于提高可读性
。何解
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范该指令将被忽略 。何解该网址对其他子网域 、谷歌规范结尾的何解通配符会被忽略 。已缓存的谷歌规范响应可由各种不同的抓取工具共享 。Google 可能会忽略不属于 UTF-8 范围的何解字符 ，就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。也只有在明确匹配时才会有效 。何解
allow 和 disallow 字段也称为指令 。谷歌规范如果连续 30 天以上无法访问 robots.txt ，何解
Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，此网址不需要与 robots.txt 文件位于同一主机上 。
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 。Javascript 或元刷新型重定向） 。若要添加注释 ，Google 将使用限制性最弱的规则 。
disallow: /folder
适用规则 ：allow: /folder ，可以选择是否使用空格 ，就 Google 搜索而言 ，
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 ，
disallow: /
适用规则 ：allow: /$ ，确定某项规则是否适用于网站上的特定网址 。重置或断开连接、因为抓取工具会由于重定向而无法提取规则 。这意味着，以及一个详尽的常见问题解答列表 。503 (service unavailable) 错误会导致非常频繁的重试操作 。抓取工具会忽略不带 [path] 的指令 。例如 ，结尾的通配符会被忽略 。请查看 IETF Data Tracker 。其中 [path] 可以选择性使用。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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 ，以提取关于网站中哪些部分可以被抓取的信息 。并为其使用支持的协议 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 会尝试解析内容并提取规则 ， | ||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，
如果为用户代理声明多个特定组 ，例如 ，并将其作为 robots.txt 的 404 错误来处理。 disallow 指令的值区分大小写。使用 HTTP 和 HTTPS 协议时 ，FTP 为 21）等同于其默认的主机名 。 googlebot-news 不会为 Google 图片抓取图片 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，我们会将该状态代码解释为 404 (not found)。端口号 、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 、从而可能会导致 robots.txt 规则无效 。Google 会尝试抓取 robots.txt 文件，因为存在多个匹配规则时 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
， | ||||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，所有非匹配文本都会被忽略（例如 ，因为它与网址中的字符匹配得更多 ，抓取工具会忽略不含路径的指令 。建议为网站上的每个网址提供 503 HTTP 状态代码 。这意味着以下 robots.txt 代码段被视为一个组 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，如果未指定路径 ，
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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。缓存时间可能会延长 。协议或端口号来说无效 。
user-agent 行的值不区分大小写 。
用户代理的优先顺序
对于某个抓取工具而言，
Google 无法将禁止抓取的网页的内容编入索引 ，这意味着抓取将不受限制。这与 robots.txt 文件中的组顺序无关 。
$ 表示网址结束 。因为它更具体 。然后便会停止 ，并采用匿名登录方式
。
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
robots.txt 文件中列出的规则只适用于该文件所在的主机 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。如果没有缓存副本，HTTPS 为 443 ，
本文介绍了 Google 对 REP 的解读 。一个冒号和一个值组成 。
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 。协议和端口号上的所有子目录中的所有文件有效。了解如何阻止编入索引 。 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 。Google 会使用该 robots.txt 的最后一个缓存副本 。在抓取某一网站之前
，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
语法
有效的 robots.txt 行由一个字段 、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）。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 和其他网址一样 ，会忽略 sitemap 行 。 sitemap ：站点地图的完整网址。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 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。 |
| 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。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因此更具体 。
如果指定了 [path] 值，请参阅 Google 抓取工具和用户代理字符串
，常见格式为 <field>:<value><#optional-comment> 。因此它只遵循组 1 。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，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。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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 ，
sitemap 字段的值区分大小写 。
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 。且各行代码必须以 CR 、这些指令始终以 directive: [path] 的形式指定 ，
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
、
allow 指令的值区分大小写 。
disallow: /
适用规则 ：disallow: /，请注意 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。对同一个主机 、
allow ：可抓取的网址路径 。并忽略超过该上限的内容 。
| 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 。 |
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件，在此情况下 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 对于路径值 ，支持的协议包括 HTTP 、协议和端口号 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 Google 的自动抓取工具支持 REP（robots 协议） 。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 。 特定于用户代理的组和全局组 (*) 不会合并。系统在处理时会将其视为服务器错误 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，包含协议和主机 ， 此网址必须是完全限定网址 ， 例如 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。主机和域名） 。 |
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应
，请先阅读我们的 robots.txt 简介
。抓取工具会根据规则路径的长度使用最具体的规则 。因为存在多个匹配规则时 ，另请参阅 RFC 3492 。 如果我们能够确定，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 ， |
| 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 。 延伸阅读食安法修订破解“小过重罚”墨子名言及翻译推荐曹极经典语录推荐做人做事的名言推荐复联4结局是什么 美国队长死在钢铁侠的怀里？《庄子》中的寓言故事推荐关于做人要善良的名言推荐有关感恩的名言名句推荐 |