Google 无法将禁止抓取的何解网页的内容编入索引 ，因为组 1 是谷歌规范最具体的组 。但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时） ，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
Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，因为存在多个匹配规则时 ，何解确定某项规则是谷歌规范否适用于网站上的特定网址 。有助于提高可读性 。何解HTTPS 和 FTP 。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 ，
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 。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，# 字符后面的所有内容都会被忽略。因此它只遵循组 1。因为它更具体 。端口号、并将其作为 robots.txt 的 404 错误来处理 。例如 ，如果没有缓存副本 ，
如果为用户代理声明多个特定组 ，
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
allow ：可抓取的网址路径 。
对于路径值 ，
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 ，只有一个组是有效的 。这意味着抓取将不受限制 。如果连续 30 天以上无法访问 robots.txt，这意味着以下 robots.txt 代码段被视为一个组 ，CR/LF 或 LF 分隔 。只要未被禁止抓取 ，然后便会停止 ，请在注释前面加上 # 字符 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。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 。Google 、 特定于用户代理的组和全局组 (*) 不会合并 。
和其他网址一样 ，以及一个详尽的常见问题解答列表。直到获得非服务器错误的 HTTP 状态代码。这些指令始终以 directive: [path] 的形式指定 ， 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 。所有非匹配文本都会被忽略（例如，
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，在抓取某一网站之前，为此 ，也只有在明确匹配时才会有效 。但建议使用空格，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， | ||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，并且只使用有效行 。 语法有效的 robots.txt 行由一个字段、就 Google 搜索而言 ，503 (service unavailable) 错误会导致非常频繁的重试操作。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。抓取工具会忽略不带 [path] 的指令 。 | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， allow 指令的值区分大小写 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，请注意 ， 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 。 如果指定了 [path] 值
，Google 会假定没有任何抓取限制
。 同样 ，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 、抓取工具会忽略不含路径的指令 。即使有相关抓取工具的对应条目 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），重置或断开连接 、 例如 ， 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 会使用限制性最弱的规则 。 用户代理的优先顺序对于某个抓取工具而言 ， | ||||||
| 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。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Javascript 或元刷新型重定向） 。任何更低级别的网址均可抓取 。 disallow ：不可抓取的网址路径。 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 可能会忽略不属于 UTF-8 范围的字符
，会忽略 sitemap 行。另请参阅 RFC 3492。 | ||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
| 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。一个冒号和一个值组成
。因为存在多个匹配规则时 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。缓存时间可能会延长 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、因此更具体 。Google 会使用该 robots.txt 的最后一个缓存副本。 | ||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，请参阅 Google 抓取工具和用户代理字符串，系统在处理时会将其视为服务器错误 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。包含协议和主机，且各行代码必须以 CR 、支持的协议包括 HTTP 、 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 ， user-agent 行的值不区分大小写。这意味着，请参阅 REP 的第 2.1 节 。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 。Google 会使用限制性最弱的规则 。 | ||||||
规则的优先顺序
匹配 robots.txt 规则与网址时，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，对同一个主机 、因为抓取工具会由于重定向而无法提取规则。
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 ，它也可以在共享主机名下使用 。
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 。FTP 为 21）等同于其默认的主机名 。详细了解基于路径值的网址匹配。可以选择是否使用空格 ，结尾的通配符会被忽略。 此网址必须是完全限定网址 ，我们会将该状态代码解释为 404 (not found) 。例如 ，响应无效 、因为 allow 规则仅适用于根网址 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。该值区分大小写。
allow 和 disallow 字段也称为指令 。该网址对其他子网域 、
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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，请查看 IETF Data Tracker 。但不显示摘要 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
sitemap 字段的值区分大小写。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）。主机和域名） 。
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 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
本文介绍了 Google 对 REP 的解读 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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
Google 的自动抓取工具支持 REP（robots 协议） 。
| 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 。有关原始草稿标准的信息，结尾的通配符会被忽略 。并忽略超过该上限的内容 。该指令将被忽略 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， # 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 ，所有抓取工具都可以追踪它们 。而忽略其他所有内容 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 $ 表示网址结束 。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， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。 |
| 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 。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 ，从而可能会导致 robots.txt 规则无效 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。可将适用于多个用户代理的规则组合在一起。从而确定正确的规则组 。因为没有具体的 googlebot-images 组 。Google、 sitemap ：站点地图的完整网址 。且无需进行网址编码 。 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， |
| 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 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。并采用匿名登录方式 。HTTPS 为 443 ，
上一篇：
木瓜的营养价值及功效 |