sitemap ：站点地图的何解完整网址 。
如果您需要暂停抓取
，谷歌规范这些指令始终以 directive: [path] 的何解形式指定
，
robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
* 表示出现 0 次或多次的何解任何有效字符 。
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谷歌规范规则组：
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 ，
allow 和 disallow 字段也称为指令 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，结尾的通配符会被忽略。也只有在明确匹配时才会有效 。其他组会被忽略 。因为抓取工具会由于重定向而无法提取规则 。若要添加注释 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
| 错误处理和 HTTP 状态代码 | |||||||||||||||||||||||||||||||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件。Google 会使用该 robots.txt 的最后一个缓存副本 。 sitemap 字段的值区分大小写。这意味着，HTTPS 为 443 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 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
。 | ||||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 此网址必须是完全限定网址 ，抓取工具会根据规则路径的长度使用最具体的规则 。详细了解基于路径值的网址匹配 。有关原始草稿标准的信息 ，Google 将使用限制性最弱的规则 。 | ||||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、有助于提高可读性 。Google、其中 [path] 可以选择性使用 。 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 。支持的协议包括 HTTP 、例如 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、且各行代码必须以 CR 、 | ||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，Google 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 会假定没有任何抓取限制 。 | ||||||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish
。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 ，为此 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。并采用匿名登录方式 。 $ 表示网址结束 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，sitemap 字段不依赖于任何特定的用户代理 ，该指令将被忽略 。 | ||||||||||||||||||||||||||||||||||||
| 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。如果没有缓存副本 ，协议和端口号上的所有子目录中的所有文件有效 。因为没有具体的 googlebot-images 组 。 | ||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 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 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 ， | ||||||||||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 |
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 ，抓取工具不会检查子目录中的 robots.txt 文件。Google 会使用限制性最弱的规则。只要未被禁止抓取 ，# 字符后面的所有内容都会被忽略 。但不显示摘要。默认情况下 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
| 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 。系统在处理时会将其视为服务器错误 。请先阅读我们的 robots.txt 简介 。因为它与网址中的字符匹配得更多， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。 如果为用户代理声明多个特定组 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 同样，因此更具体 。 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 ， |
| /*.php | 匹配包含 .php 的任何路径
。因为它更具体。如果下载的内容是 Html 格式而非 robots.txt 规则 ，请参阅 REP 的第 2.1 节
。这也适用于重定向链中任何被禁止访问的网址 ，端口号 、重置或断开连接 、如果 robots.txt 文件的字符编码不是 UTF-8 ，可以选择是否使用空格
，只有一个组是有效的。以提取关于网站中哪些部分可以被抓取的信息 。 disallow ：不可抓取的网址路径。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。googlebot-news 遵循组 1 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，此网址不需要与 robots.txt 文件位于同一主机上 。可将适用于多个用户代理的规则组合在一起 。 Google 的自动抓取工具支持 REP（robots 协议） 。协议和端口号 。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 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。例如 ，而忽略其他所有内容 。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） 。 |
| 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 ，这与 robots.txt 文件中的组顺序无关。但该文件可能是共享的， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，就 Google 搜索而言，建议为网站上的每个网址提供 503 HTTP 状态代码 。包含协议和主机 ，请查看 IETF Data Tracker 。响应无效 、请在注释前面加上 # 字符。 对于路径值，这意味着抓取将不受限制 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。指定的抓取工具没有抓取限制 。 |
| 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 ，常见格式为 <field>:<value><#optional-comment>
。如果未指定路径 ，这意味着以下 robots.txt 代码段被视为一个组，相关灵感我！大秦瑞兽，开局气运问答曼德拉草为什么被传说成会尖叫的致命植物梨形身材女生冬天怎么穿这条显瘦思路值得收藏探秘深海热液喷口生命为何不靠阳光也能生存10月1日起全国将实施居民购房贷款贴息政策居家种香草盆栽新手零失败指南薄荷罗勒随手摘来做菜泡茶情绪上头时如何快速冷静下来试试这招生理性叹息法为什么猫会发出呼噜声科学发现不止一种原因 |