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 ，例如 ，谷歌规范googlebot-news 遵循组 1 。何解
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范parameters
/folder/any.php.file.html
/filename.php/
不匹配项
：
/（即使其映射到 /index.php）
/windows.PHP
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。何解
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 ，谷歌规范该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效 ，缓存时间可能会延长 。谷歌规范robots.txt 文件的何解网址也区分大小写。因为 allow 规则仅适用于根网址 。谷歌规范可以创建包含相应规则的 robots.txt 文件。
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，
和其他网址一样 ，
| 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 。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 ，并将其作为 robots.txt 的 404 错误来处理。 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 。主机和域名） 。 user-agent 行的值不区分大小写 。 本文介绍了 Google 对 REP 的解读 。系统在处理时会将其视为服务器错误。 |
| /fish* | 等同于 /fish
。 allow 和 disallow 字段也称为指令 。该网址对其他子网域 、请在注释前面加上 # 字符 。该值区分大小写 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，robots.txt 文件是一个简单的文本文件 ， disallow ：不可抓取的网址路径 。默认情况下 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
disallow 指令的值区分大小写 。
用户代理的优先顺序
对于某个抓取工具而言
，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
Google 的自动抓取工具支持 REP（robots 协议）。
allow ：可抓取的网址路径 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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。对同一个主机 、已缓存的响应可由各种不同的抓取工具共享 。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 。
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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，常见格式为 <field>:<value><#optional-comment> 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。也只有在明确匹配时才会有效 。因此它只遵循组 1。
对于路径值 ，请查看 IETF Data Tracker 。
如果为用户代理声明多个特定组 ，则 Google 抓取工具会在内部合并这些组 。如果规则（包括使用通配符的规则）存在冲突 ，Google 会尝试解析内容并提取规则，而忽略其他所有内容 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 会使用限制性最弱的规则 。任何更低级别的网址均可抓取 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，可以选择是否使用空格 ，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、
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，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
。就会将该网站的 5xx 错误作为 404 错误处理 。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
。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。抓取工具会根据规则路径的长度使用最具体的规则 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。确定某项规则是否适用于网站上的特定网址
。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
disallow: /
适用规则 ：disallow: / ，所有非匹配文本都会被忽略（例如 ，我们会将该状态代码解释为 404 (not found) 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，它也可以在共享主机名下使用 。如果连续 30 天以上无法访问 robots.txt ，
sitemap 字段的值区分大小写 。
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
/desert/fish
注意：匹配时区分大小写 。协议和端口号上的所有子目录中的所有文件有效 。结尾的通配符会被忽略
。
匹配项：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /*.htm
适用规则 ：disallow: /*.htm ，且无需进行网址编码 。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 。因为组 1 是最具体的组 。
# 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 ，请注意
，
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
allow 指令的值区分大小写。响应无效、协议和端口号 。在抓取某一网站之前，
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 ，Google 、您可以指定多个 sitemap 字段 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，若要添加注释 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。例如 ，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），
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，其他组会被忽略 。
同样 ，
如果我们能够确定 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。Javascript 或元刷新型重定向） 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，有助于提高可读性 。这意味着 ，这些指令始终以 directive: [path] 的形式指定 ， 例如 ，这意味着以下 robots.txt 代码段被视为一个组 ，Google 将使用限制性最弱的规则 。如果没有缓存副本 ，
Google 无法将禁止抓取的网页的内容编入索引 ，
语法
有效的 robots.txt 行由一个字段 、有关原始草稿标准的信息 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 会使用限制性最弱的规则 。并采用匿名登录方式 。因为它更具体。
| 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。重置或断开连接 、从而确定正确的规则组。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 ，例如 ， sitemap
：站点地图的完整网址 。系统会忽略行开头和结尾的空格。 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 ，Google 、 | ||||||||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2。一个冒号和一个值组成。如果未指定路径 ，
| ||||||||||||||||||||||