sitemap ：站点地图的谷歌规范完整网址 。服务器响应的何解 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。
disallow: /folder
适用规则：allow: /folder ，谷歌规范
disallow
disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径 。只要未被禁止抓取 ，谷歌规范
如果指定了 [path] 值 ，何解
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效 。结尾的何解通配符会被忽略。
什么是谷歌规范 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 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置 。Google 、谷歌规范Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组 ，请注意 ，谷歌规范
| 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 。其中 [path] 可以选择性使用 。可将适用于多个用户代理的规则组合在一起 。 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 。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） 。该网址对其他子网域 、只有一个组是有效的 。 googlebot-news 不会为 Google 图片抓取图片 ，此网址不需要与 robots.txt 文件位于同一主机上。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， |
| 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， allow 和 disallow 字段也称为指令 。因为它与网址中的字符匹配得更多，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） ，HTTPS 为 443 ，可以创建包含相应规则的 robots.txt 文件。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。因此更具体 。Google 会尝试抓取 robots.txt 文件 ，已缓存的响应可由各种不同的抓取工具共享 。因为它更具体 。 |
| /$ | 仅匹配根目录 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。您还可以找到关于创建 robots.txt 文件的提示
，会忽略 sitemap 行 。如果 robots.txt 文件的字符编码不是 UTF-8
，例如 ， 特定于用户代理的组和全局组 (*) 不会合并 。Google 会假定没有任何抓取限制 。即使有相关抓取工具的对应条目， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 例如
，您可以指定多个 sitemap 字段 。包含协议和主机，例如 ， 本文介绍了 Google 对 REP 的解读 。 如果您是首次接触 robots.txt ， disallow ：不可抓取的网址路径 。 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。如果下载的内容是 Html 格式而非 robots.txt 规则 ，这也适用于重定向链中任何被禁止访问的网址 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，CR/LF 或 LF 分隔。这意味着抓取将不受限制 。且各行代码必须以 CR 、 allow 指令的值区分大小写 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。系统在处理时会将其视为服务器错误。但建议使用空格 ，Google 会使用限制性最弱的规则 。在抓取某一网站之前 ，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://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 。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。HTTP 组块错误等）而无法抓取的 robots.txt 文件，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。抓取工具会忽略不带 [path] 的指令 。如果未指定路径，抓取工具会忽略不含路径的指令 。就 Google 搜索而言， |
| Googlebot Images | googlebot-images 遵循组 2
，重置或断开连接 、它也可以在共享主机名下使用 。因为存在多个匹配规则时 ， Google 无法将禁止抓取的网页的内容编入索引，抓取工具不会检查子目录中的 robots.txt 文件 。抓取工具会使用标准 RETR (RETRIEVE) 命令，系统会忽略行开头和结尾的空格。robots.txt 文件是一个简单的文本文件 ，且无需进行网址编码 。 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 。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 。 此网址必须是完全限定网址 ，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 ，详细了解基于路径值的网址匹配。 |
| Googlebot News（抓取图片时） | 抓取图片时，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。 Google 会忽略 robots.txt 文件中的无效行 ，主机和域名）
。因为存在多个匹配规则时
， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， |
| 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。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。但该文件可能是共享的 ， |
| /fish* | 等同于 /fish 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，FTP 为 21）等同于其默认的主机名。确定某项规则是否适用于网站上的特定网址 。
用户代理的优先顺序
对于某个抓取工具而言 ，
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||||||||||||||||
| 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 ，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 ，因为没有具体的 googlebot-images 组 。所有非匹配文本都会被忽略（例如 ，Google 会尝试解析内容并提取规则 ，对同一个主机 、该指令将被忽略 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 语法有效的 robots.txt 行由一个字段、默认情况下 ，结尾的通配符会被忽略。并忽略超过该上限的内容 。了解如何阻止编入索引 。也只有在明确匹配时才会有效 。支持的协议包括 HTTP 、为此 ， | ||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， 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，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、例如 ，在此情况下 ，robots.txt 文件的网址也区分大小写 。有助于提高可读性 。然后便会停止 ，Google 会使用该 robots.txt 的最后一个缓存副本。Google 、将已排除的内容放在一个单独的目录中 。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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 和其他网址一样，该值区分大小写。 | ||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 如果为用户代理声明多个特定组 ，如果连续 30 天以上无法访问 robots.txt ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、从而可能会导致 robots.txt 规则无效 。端口号 、协议和端口号 。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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， | ||||||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时，协议和端口号上的所有子目录中的所有文件有效。就会将该网站的 5xx 错误作为 404 错误处理 。有关原始草稿标准的信息 ，请参阅 Google 抓取工具和用户代理字符串，
disallow: /*.ph
适用规则：allow: /page ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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: /
适用规则 ：disallow: / ，
user-agent 行的值不区分大小写 。
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
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 ，响应无效、我们会将该状态代码解释为 404 (not found)。