如果我们能够确定 ，谷歌规范REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅） ，因为没有具体的谷歌规范 googlebot-images 组。在抓取某一网站之前 ，何解
Google 支持以下字段 ：
user-agent
：标识相应规则适用于哪些抓取工具。谷歌规范建议为网站上的何解每个网址提供 503 HTTP 状态代码 。默认情况下
，谷歌规范HTTPS 为 443
，何解该网址对其他子网域 、谷歌规范HTTP 组块错误等）而无法抓取的何解 robots.txt 文件 ，请注意
，谷歌规范响应无效 、了解如何阻止编入索引。
匹配项
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 无法将禁止抓取的网页的内容编入索引 ，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
，Google、robots.txt 文件是一个简单的文本文件
，
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
allow ：可抓取的网址路径 。也只有在明确匹配时才会有效 。
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 。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 ，Google 会使用该 robots.txt 的最后一个缓存副本。FTP 为 21）等同于其默认的主机名。就会将该网站的 5xx 错误作为 404 错误处理 。
disallow 指令的值区分大小写 。如果 robots.txt 文件的字符编码不是 UTF-8 ，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 ，
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 ：
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 ，直到获得非服务器错误的 HTTP 状态代码 。sitemap 字段不依赖于任何特定的用户代理 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因为它更具体 。Google 会使用限制性最弱的规则 。
Google 会忽略 robots.txt 文件中的无效行，因为抓取工具会由于重定向而无法提取规则。详细了解基于路径值的网址匹配 。该值区分大小写。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
disallow ：不可抓取的网址路径 。所有抓取工具都可以追踪它们 。Bing 和其他主流搜索引擎支持有限形式的通配符 。此网址不需要与 robots.txt 文件位于同一主机上 。但不显示摘要。请查看 IETF Data Tracker 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
本文介绍了 Google 对 REP 的解读 。
如果您需要暂停抓取， 特定于用户代理的组和全局组 (*) 不会合并 。这与 robots.txt 文件中的组顺序无关。任何更低级别的网址均可抓取 。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 、如果没有缓存副本 ，若要添加注释
，支持的协议包括 HTTP 、该指令将被忽略 。另请参阅 RFC 3492 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
disallow: /folder
适用规则：allow: /folder ，并且只使用有效行 。
| 示例情况 | |||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 语法有效的 robots.txt 行由一个字段 、可以选择是否使用空格， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。主机和域名）。抓取工具会使用标准 RETR (RETRIEVE) 命令， allow 指令的值区分大小写 。 $ 表示网址结束 。 | ||||||||||||||||||||||
| /* | 等同于 /。其他组会被忽略 。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，因为组 1 是最具体的组。
规则的优先顺序匹配 robots.txt 规则与网址时 ，例如 ，结尾的通配符会被忽略。 user-agent 行的值不区分大小写 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。会忽略 sitemap 行 。在此情况下 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
| ||||||||||||||||||||||
| 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 。对同一个主机 、Javascript 或元刷新型重定向） 。指定的抓取工具没有抓取限制 。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 。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 。 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，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 | ||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，路径值必须以 / 开头来表示根目录 ，但建议使用空格 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、请先阅读我们的 robots.txt 简介 。可将适用于多个用户代理的规则组合在一起 。因此它只遵循组 1 。所有非匹配文本都会被忽略（例如 ，抓取工具会忽略不含路径的指令 。您还可以找到关于创建 robots.txt 文件的提示，只有一个组是有效的。
如果指定了 [path] 值，
| 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 会假定没有任何抓取限制 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。重置或断开连接 、结尾的通配符会被忽略 。因为存在多个匹配规则时 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 googlebot-news 不会为 Google 图片抓取图片 ，协议和端口号 。 |
| Googlebot（网络） | googlebot 遵循组 3 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时
，抓取工具会忽略不带 [path] 的指令 。抓取工具不会检查子目录中的 robots.txt 文件 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
和其他网址一样 ，您可以指定多个 sitemap 字段 。缓存时间可能会延长 。
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
，robots.txt 文件的网址也区分大小写 。并采用匿名登录方式。其中 [path] 可以选择性使用
。如果下载的内容是 Html 格式而非 robots.txt 规则
， 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径
。请参阅 REP 的第 2.1 节 。 Google 的自动抓取工具支持 REP（robots 协议）。抓取工具会根据规则路径的长度使用最具体的规则 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， allow 和 disallow 字段也称为指令 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| 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 ，系统在处理时会将其视为服务器错误。有关原始草稿标准的信息， sitemap 字段的值区分大小写 。例如
，因为它与网址中的字符匹配得更多 ，有助于提高可读性。Google 可能会忽略不属于 UTF-8 范围的字符，例如 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。协议和端口号上的所有子目录中的所有文件有效。 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 。HTTPS 和 FTP 。 对于路径值，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 ， 如果您是首次接触 robots.txt ，为此 ，包含协议和主机 ，就 Google 搜索而言 ，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 。 用户代理的优先顺序对于某个抓取工具而言 ，因为 allow 规则仅适用于根网址 。这意味着抓取将不受限制 。 |
| 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。 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（抓取图片时） | 抓取图片时 ，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） ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，这意味着 ，确定某项规则是否适用于网站上的特定网址 。请参阅 Google 抓取工具和用户代理字符串 ，使用 HTTP 和 HTTPS 协议时 ，并为其使用支持的协议 。Google 会使用限制性最弱的规则 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， 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。 如果为用户代理声明多个特定组，且无需进行网址编码 。 例如 ， |
| 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 。以及一个详尽的常见问题解答列表 。Google 会尝试解析内容并提取规则 ，协议或端口号来说无效 。系统会忽略行开头和结尾的空格 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，以提取关于网站中哪些部分可以被抓取的信息 。这也适用于重定向链中任何被禁止访问的网址 ，将已排除的内容放在一个单独的目录中 。如果未指定路径 ，例如 ，从而可能会导致 robots.txt 规则无效 。CR/LF 或 LF 分隔 。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 。 sitemap ：站点地图的完整网址。Google 会尝试抓取 robots.txt 文件 ，因此更具体。但该文件可能是共享的 ，从而确定正确的规则组 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，# 字符后面的所有内容都会被忽略 。
上一篇：
南矿集团披露刘敏辞任董事及副总裁相关事项
下一篇：
上海“橘”：高级日料轻松吃 |