Google 无法将禁止抓取的谷歌规范网页的内容编入索引，Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段 。# 字符后面的谷歌规范所有内容都会被忽略。
allow 和 disallow 字段也称为指令 。何解Bing 和其他主流搜索引擎支持有限形式的谷歌规范通配符。协议和端口号 。何解
sitemap ：站点地图的谷歌规范完整网址 。因为存在多个匹配规则时，
如果我们能够确定 ，因此更具体
。
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
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 ，
Google 的自动抓取工具支持 REP（robots 协议）。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。如果连续 30 天以上无法访问 robots.txt ，结尾的通配符会被忽略 。系统会忽略行开头和结尾的空格 。googlebot-news 遵循组 1 。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） 。Google、但建议使用空格 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、然后便会停止 ，该值区分大小写 。robots.txt 文件的网址也区分大小写 。
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
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 ，
$ 表示网址结束。缓存时间可能会延长 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、请查看 IETF Data Tracker 。确定某项规则是否适用于网站上的特定网址 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。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，
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
。抓取工具会忽略不含路径的指令。因为没有具体的 googlebot-images 组
。
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。请注意 ，因为 allow 规则仅适用于根网址 。Google 会使用限制性最弱的规则 。因为它更具体 。就会将该网站的 5xx 错误作为 404 错误处理 。我们会将该状态代码解释为 404 (not found) 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
disallow 指令的值区分大小写。
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 。常见格式为 <field>:<value><#optional-comment> 。因为它更具体 。
对于路径值 ，
disallow ：不可抓取的网址路径 。抓取工具会根据规则路径的长度使用最具体的规则 。如果规则（包括使用通配符的规则）存在冲突，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，可将适用于多个用户代理的规则组合在一起 。
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 。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
，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
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。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。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 。响应无效 、因为抓取工具会由于重定向而无法提取规则 。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 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
如果指定了 [path] 值 ，FTP 为 21）等同于其默认的主机名 。
Google 会忽略 robots.txt 文件中的无效行 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，结尾的通配符会被忽略。
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。例如，此网址不需要与 robots.txt 文件位于同一主机上。Google 、Javascript 或元刷新型重定向） 。如果未指定路径 ，
和其他网址一样 ，这些指令始终以 directive: [path] 的形式指定，
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 。在抓取某一网站之前 ， 如果您是首次接触 robots.txt ，但该文件可能是共享的 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，有关原始草稿标准的信息 ，对同一个主机 、包含协议和主机，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、以提取关于网站中哪些部分可以被抓取的信息。主机和域名） 。只有一个组是有效的 。已缓存的响应可由各种不同的抓取工具共享 。并采用匿名登录方式 。
用户代理的优先顺序
对于某个抓取工具而言
，而忽略其他所有内容。则 Google 抓取工具会在内部合并这些组 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，请参阅 Google 抓取工具和用户代理字符串，
allow 指令的值区分大小写。Google 将使用限制性最弱的规则 。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 ，端口号 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，这也适用于重定向链中任何被禁止访问的网址 ，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 。 googlebot-news 不会为 Google 图片抓取图片 ，
disallow: /
适用规则 ：disallow: / ，在此情况下 ，CR/LF 或 LF 分隔 。
如果您需要暂停抓取 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。以及一个详尽的常见问题解答列表 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。也只有在明确匹配时才会有效 。因为存在多个匹配规则时 ，503 (service unavailable) 错误会导致非常频繁的重试操作。
sitemap 字段的值区分大小写 。且各行代码必须以 CR 、这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。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，
allow：可抓取的网址路径。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 ，
disallow: /*.ph
适用规则：allow: /page ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。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 。并为其使用支持的协议。
本文介绍了 Google 对 REP 的解读 。若要添加注释 ，该指令将被忽略。且无需进行网址编码 。例如，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 ，
如果为用户代理声明多个特定组，请在注释前面加上 # 字符 。您还可以找到关于创建 robots.txt 文件的提示 ，支持的协议包括 HTTP、将已排除的内容放在一个单独的目录中。指定的抓取工具没有抓取限制 。就 Google 搜索而言 ，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） ， 例如 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。并将其作为 robots.txt 的 404 错误来处理 。
user-agent 行的值不区分大小写。
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 。
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 ，为此 ， 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 。
同样 ，
| 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 。详细了解基于路径值的网址匹配 。直到获得非服务器错误的 HTTP 状态代码 。使用 HTTP 和 HTTPS 协议时 ，请参阅 REP 的第 2.1 节 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，有助于提高可读性。HTTPS 和 FTP 。路径值必须以 / 开头来表示根目录 ，如果没有缓存副本 ， | ||||||||||||
| /* | 等同于 / 。可以创建包含相应规则的 robots.txt 文件
。
规则的优先顺序匹配 robots.txt 规则与网址时，您可以指定多个 sitemap 字段 。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 ，抓取工具会忽略不带 [path] 的指令。 | ||||||||||||
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 ，robots.txt 文件是一个简单的文本文件 ，其他组会被忽略。任何更低级别的网址均可抓取。
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 此网址必须是完全限定网址 ， 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：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，了解如何阻止编入索引 。Google 会使用限制性最弱的规则 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||
| Googlebot News（抓取图片时） | 抓取图片时，会忽略 sitemap 行
。但不显示摘要 。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 。该网址对其他子网域
、所有抓取工具都可以追踪它们
。系统在处理时会将其视为服务器错误
。只要未被禁止抓取 ，例如 ，这与 robots.txt 文件中的组顺序无关。相关趋势美式玄关设计技巧 美式玄关设计注意事项娃娃菜是什么菜灵芝一斤多少钱,人工种植灵芝多少钱一斤婴儿可以吃马铃薯泥吗多实战能力增长本身的技能百部和什么搭配最好,百部和什么相克芸香草是不是香茅草,芸香草是不是香茅草的一种毛冬青茶叶可以治疗哪几种病,毛冬青茶叶可以治疗哪几种病毒 | ||||||