同样 ，谷歌规范
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 ，系统在处理时会将其视为服务器错误。谷歌规范您可以指定多个 sitemap 字段 。何解即使有相关抓取工具的谷歌规范对应条目 ，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，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范抓取工具会使用标准 RETR (RETRIEVE) 命令，何解
如果为用户代理声明多个特定组，谷歌规范Google 会使用该 robots.txt 的何解最后一个缓存副本 。
匹配项
：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项
：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写 。
allow ：可抓取的何解网址路径 。从而可能会导致 robots.txt 规则无效 。谷歌规范
和其他网址一样 ，何解Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。谷歌规范
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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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，
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 。响应无效 、
disallow: /
适用规则 ：allow: /$ ，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） 。 例如 ，
disallow: /folder
适用规则 ：allow: /folder ，指定的抓取工具没有抓取限制 。
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 。
disallow 指令的值区分大小写 。
| 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 。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 。从而确定正确的规则组 。它也可以在共享主机名下使用。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，主机和域名）。 user-agent 行的值不区分大小写 。在抓取某一网站之前 ，请参阅 REP 的第 2.1 节。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 ，详细了解基于路径值的网址匹配 。 如果指定了 [path] 值 ，robots.txt 文件的网址也区分大小写 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、默认情况下 ，在此情况下 ， 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 ，我们会将该状态代码解释为 404 (not found) 。 | ||||||||
| 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 ， 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 ，任何更低级别的网址均可抓取 。Google 会尝试抓取 robots.txt 文件
，因为存在多个匹配规则时 ，可将适用于多个用户代理的规则组合在一起
。 | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。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。 | ||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，# 字符后面的所有内容都会被忽略 。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 ，
语法
有效的 robots.txt 行由一个字段 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，如果下载的内容是 Html 格式而非 robots.txt 规则 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
本文介绍了 Google 对 REP 的解读
。抓取工具会根据规则路径的长度使用最具体的规则 。
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
用户代理的优先顺序
对于某个抓取工具而言 ，
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，因此它只遵循组 1。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 、Google 、
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 如果您是首次接触 robots.txt ，以提取关于网站中哪些部分可以被抓取的信息。这些通配符包括： * 表示出现 0 次或多次的任何有效字符。
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。请查看 IETF Data Tracker 。这意味着抓取将不受限制 。以及一个详尽的常见问题解答列表 。 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 。Google 会假定没有任何抓取限制。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，并忽略超过该上限的内容 。系统会忽略行开头和结尾的空格。协议和端口号 。 allow 和 disallow 字段也称为指令。 | ||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，因为存在多个匹配规则时 ，重置或断开连接 、 | ||||||||||||||||||||||||||
| 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 ，您还可以找到关于创建 robots.txt 文件的提示 ， 此网址必须是完全限定网址， | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，有助于提高可读性 。如果规则（包括使用通配符的规则）存在冲突，已缓存的响应可由各种不同的抓取工具共享。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。该指令将被忽略 。因为它更具体。 Google 无法将禁止抓取的网页的内容编入索引 ，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 ，有关原始草稿标准的信息 ，只要未被禁止抓取，使用 HTTP 和 HTTPS 协议时 ，这些指令始终以 directive: [path] 的形式指定 ，并为其使用支持的协议 。 | ||||||||||||||||||||||||||
| 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。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） ，了解如何阻止编入索引。可以选择是否使用空格 ， 更多食谱西甲赛程2019初养捞一桶乳酸菌，好喝，好卖，好赚钱！助您抢占市场！绿皮书根据真实故事改编吗 电影绿皮书人物原型背后故事波特兰精英赛提提库逆转夺冠 张斯洋T8殷若宁T202026环广西世巡赛完成崇左—靖西赛段达特茅斯学院算名校吗？入冬肌肤也需要滋补克里斯蒂安贝尔陪跑了4次奥斯卡影帝 “橡皮人”什么梗 | ||||||||||||||||||||||||||