| 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 。谷歌规范因为存在多个匹配规则时 ，何解请查看 IETF Data Tracker 。谷歌规范所有非匹配文本都会被忽略（例如 ，何解请在注释前面加上 # 字符 。谷歌规范这意味着抓取将不受限制。何解从而可能会导致 robots.txt 规则无效。谷歌规范重置或断开连接 、何解默认情况下 ，谷歌规范以提取关于网站中哪些部分可以被抓取的何解信息 。如果未指定路径 ，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 。何解如果规则（包括使用通配符的谷歌规范规则）存在冲突 ，HTTPS 为 443 ，何解 用户代理的谷歌规范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，有关原始草稿标准的信息 ，在此情况下
，主机和域名） 。就会将该网站的 5xx 错误作为 404 错误处理 。并采用匿名登录方式
。 | ||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。因为抓取工具会由于重定向而无法提取规则 。您可以指定多个 sitemap 字段
。 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 。则 Google 抓取工具会在内部合并这些组 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、您还可以找到关于创建 robots.txt 文件的提示 ， | ||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。任何更低级别的网址均可抓取 。这与 robots.txt 文件中的组顺序无关
。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 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。googlebot-news 遵循组 1 。 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。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， | ||||||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，此网址不需要与 robots.txt 文件位于同一主机上。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 ， 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 ，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，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 ，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。因为它更具体。因此它只遵循组 1 。 $ 表示网址结束 。 如果为用户代理声明多个特定组 ， | ||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。Google、结尾的通配符会被忽略 。但可能仍会将其网址编入索引并将其显示在搜索结果中，Google 会使用该 robots.txt 的最后一个缓存副本 。因为组 1 是最具体的组 。如果没有缓存副本 ，只要未被禁止抓取 ，为此 ，Google 会假定没有任何抓取限制。 | ||||||||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，但建议使用空格 ，
disallow ：不可抓取的网址路径 。
sitemap：站点地图的完整网址。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，该网址对其他子网域 、该指令将被忽略。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。若要添加注释 ，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 ，结尾的通配符会被忽略 。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） 。 |
| Googlebot News（抓取图片时） | 抓取图片时， googlebot-news 不会为 Google 图片抓取图片 ，就 Google 搜索而言
，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），而忽略其他所有内容 。 allow 和 disallow 字段也称为指令 。 同样 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。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，可将适用于多个用户代理的规则组合在一起 。 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 ， |
| 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 ，Javascript 或元刷新型重定向）。 特定于用户代理的组和全局组 (*) 不会合并 。 例如 ， |
| 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 。但该文件可能是共享的 ，会忽略 sitemap 行 。 Google 会忽略 robots.txt 文件中的无效行，如果下载的内容是 Html 格式而非 robots.txt 规则
，Google 会使用限制性最弱的规则。Google 会使用限制性最弱的规则
。sitemap 字段不依赖于任何特定的用户代理 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，请参阅 REP 的第 2.1 节 。抓取工具不会检查子目录中的 robots.txt 文件 。
如果指定了 [path] 值 ，
user-agent 行的值不区分大小写。
disallow 指令的值区分大小写 。
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 。例如 ，
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 。
disallow: /*.ph
适用规则 ：allow: /page，支持的协议包括 HTTP、因为它与网址中的字符匹配得更多，直到获得非服务器错误的 HTTP 状态代码 。了解如何阻止编入索引 。并且只使用有效行 。如果连续 30 天以上无法访问 robots.txt ，可以选择是否使用空格 ，例如 ，
如果我们能够确定 ，但不显示摘要。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。确定某项规则是否适用于网站上的特定网址。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，可以创建包含相应规则的 robots.txt 文件 。
allow ：可抓取的网址路径 。如果 robots.txt 文件的字符编码不是 UTF-8，它也可以在共享主机名下使用 。
Google 的自动抓取工具支持 REP（robots 协议）。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 。robots.txt 文件的网址也区分大小写 。Google 、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 ，抓取工具会忽略不含路径的指令。Google 会尝试抓取 robots.txt 文件 ，
语法
有效的 robots.txt 行由一个字段 、 此网址必须是完全限定网址 ，这意味着以下 robots.txt 代码段被视为一个组 ，
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 。
和其他网址一样，其中 [path] 可以选择性使用 。即使有相关抓取工具的对应条目，所有抓取工具都可以追踪它们 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。另请参阅 RFC 3492 。协议或端口号来说无效 。并忽略超过该上限的内容 。这些指令始终以 directive: [path] 的形式指定 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，从而确定正确的规则组 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。系统会忽略行开头和结尾的空格 。其他组会被忽略
。本期推荐
美国调整对加拿大商品加征关税适用范围全红蝉夺个人世锦赛首冠 助跳水队摘世锦赛历史第100金宁夏彭阳健全联农带农利益联结机制 铺就农户增收“快车道”英锦赛：丁俊晖连丢7局葬送优势 7顶级鱼子酱离你有多远厦门品信汽车用品制造有限公司太原办事处广西仫佬山乡“鸽”声嘹亮 产值有望破亿元环保行业，好生意的标准变了