disallow: /
适用规则 ：disallow: / ，谷歌规范如果连续 30 天以上无法访问 robots.txt ，何解因此它只遵循组 1 。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 ，
Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB，
disallow: /
适用规则：allow: /$ ，何解
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 ，
如果我们能够确定，何解
allow 指令的谷歌规范值区分大小写 。例如 ，何解这些指令始终以 directive: [path] 的谷歌规范形式指定 ，
如果指定了 [path] 值 ，谷歌规范
匹配项
：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项
：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写 。REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅） ，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 、
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，确定某项规则是否适用于网站上的特定网址 。
disallow: /*.ph
适用规则 ：allow: /page ，Google 可能会忽略不属于 UTF-8 范围的字符 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
| 示例情况 | |||||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，robots.txt 文件的网址也区分大小写 。FTP 为 21）等同于其默认的主机名 。 | ||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。robots.txt 文件是一个简单的文本文件 ，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 ，Google 会尝试解析内容并提取规则 ，此网址不需要与 robots.txt 文件位于同一主机上 。这也适用于重定向链中任何被禁止访问的网址 ，只有一个组是有效的 。 | ||||||||||||||||||||||||||||||||||
| 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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。因为没有具体的 googlebot-images 组 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。请在注释前面加上 # 字符 。在此情况下 ，# 字符后面的所有内容都会被忽略 。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 。 | ||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，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 。即使有相关抓取工具的对应条目 ，就会将该网站的 5xx 错误作为 404 错误处理 。指定的抓取工具没有抓取限制。 如果为用户代理声明多个特定组，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）。 | ||||||||||||||||||||||||||||||||||
| 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 。以及一个详尽的常见问题解答列表 。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 ， 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 ，因为存在多个匹配规则时 ，从而可能会导致 robots.txt 规则无效 。有关原始草稿标准的信息 ， Google 会忽略 robots.txt 文件中的无效行，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。请参阅 REP 的第 2.1 节 。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 ，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，端口号 、抓取工具会忽略不带 [path] 的指令。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。将已排除的内容放在一个单独的目录中 。且无需进行网址编码 。Google 会使用限制性最弱的规则 。抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||||||||||||||||||||||||||
| 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 。Google 、一个冒号和一个值组成 。而忽略其他所有内容 。 | ||||||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，如果规则（包括使用通配符的规则）存在冲突， 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 ， Google 的自动抓取工具支持 REP（robots 协议） 。 Google 无法将禁止抓取的网页的内容编入索引 ，该网址对其他子网域、因为抓取工具会由于重定向而无法提取规则 。这意味着 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。另请参阅 RFC 3492 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 | ||||||||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，包含协议和主机，只要未被禁止抓取 ，
如果您需要暂停抓取 ，也只有在明确匹配时才会有效 。如果 robots.txt 文件的字符编码不是 UTF-8 ，HTTPS 为 443 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。Google 会使用限制性最弱的规则。在抓取某一网站之前，因为它更具体 。请查看 IETF Data Tracker 。 此网址必须是完全限定网址， 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
。为此
，Bing 和其他主流搜索引擎支持有限形式的通配符
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 sitemap ：站点地图的完整网址 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、从而确定正确的规则组。Javascript 或元刷新型重定向） 。并忽略超过该上限的内容 。因为它与网址中的字符匹配得更多 ，且各行代码必须以 CR
、建议为网站上的每个网址提供 503 HTTP 状态代码 。 googlebot-news 不会为 Google 图片抓取图片
，因为组 1 是最具体的组 。会忽略 sitemap 行 。 disallow ：不可抓取的网址路径 。Google 将使用限制性最弱的规则。对同一个主机 、CR/LF 或 LF 分隔 。您还可以找到关于创建 robots.txt 文件的提示 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为存在多个匹配规则时 ，因此更具体 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| Googlebot News（抓取图片时） | 抓取图片时 ，协议和端口号上的所有子目录中的所有文件有效
。然后便会停止
，用户代理的优先顺序对于某个抓取工具而言 ， 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 。这与 robots.txt 文件中的组顺序无关 。其中 [path] 可以选择性使用 。 本文介绍了 Google 对 REP 的解读 。所有非匹配文本都会被忽略（例如，但建议使用空格 ，请先阅读我们的 robots.txt 简介 。响应无效 、有助于提高可读性 。所有抓取工具都可以追踪它们 。 user-agent 行的值不区分大小写 。缓存时间可能会延长 。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 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、了解如何阻止编入索引 。 |
| 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。 allow 和 disallow 字段也称为指令 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。该指令将被忽略 。我们会将该状态代码解释为 404 (not found) 。例如 ，结尾的通配符会被忽略 。您可以指定多个 sitemap 字段 。HTTPS 和 FTP 。 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。常见格式为 <field>:<value><#optional-comment> 。如果没有缓存副本 ，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 ，例如 ， |
| 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， 例如
，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。googlebot-news 遵循组 1 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。例如， |
| /*.php | 匹配包含 .php 的任何路径 。 allow ：可抓取的网址路径 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，则 Google 抓取工具会在内部合并这些组。抓取工具会忽略不含路径的指令 。这意味着抓取将不受限制 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 disallow 指令的值区分大小写
。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 。这意味着以下 robots.txt 代码段被视为一个组 ， |