sitemap ：站点地图的谷歌规范完整网址 。路径值必须以 / 开头来表示根目录，何解并且只使用有效行 。谷歌规范在此情况下 ，何解您还可以找到关于创建 robots.txt 文件的谷歌规范提示， 特定于用户代理的何解组和全局组 (*) 不会合并。Javascript 或元刷新型重定向） 。谷歌规范因此 user-agent a 和 b 均受 disallow: / 规则的何解影响 ：
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 ，如果规则（包括使用通配符的谷歌规范规则）存在冲突 ，因为它与网址中的字符匹配得更多 ，如果下载的内容是 Html 格式而非 robots.txt 规则，
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 ，抓取工具会根据规则路径的长度使用最具体的规则 。
sitemap 字段的值区分大小写 。 googlebot-news 不会为 Google 图片抓取图片 ，它也可以在共享主机名下使用。Google 会使用限制性最弱的规则 。robots.txt 文件是一个简单的文本文件 ，
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
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，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），常见格式为 <field>:<value><#optional-comment> 。所有抓取工具都可以追踪它们。支持的协议包括 HTTP、可以选择是否使用空格 ，sitemap 字段不依赖于任何特定的用户代理 ，
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 。指定的抓取工具没有抓取限制 。
| 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 。 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 。googlebot-news 遵循组 1 。 同样 ， 语法有效的 robots.txt 行由一个字段、了解如何阻止编入索引 。使用 HTTP 和 HTTPS 协议时 ， 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 。 Google 无法将禁止抓取的网页的内容编入索引，例如 ， 和其他网址一样 ，在抓取某一网站之前 ，并将其作为 robots.txt 的 404 错误来处理 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，已缓存的响应可由各种不同的抓取工具共享 。直到获得非服务器错误的 HTTP 状态代码 。Google 会使用限制性最弱的规则。主机和域名）。因为没有具体的 googlebot-images 组。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。503 (service unavailable) 错误会导致非常频繁的重试操作 。请参阅 REP 的第 2.1 节 。响应无效 、 |
| 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
，所有非匹配文本都会被忽略（例如 ， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。然后便会停止， |
| Googlebot News（抓取图片时） | 抓取图片时 ，结尾的通配符会被忽略。 $ 表示网址结束 。请查看 IETF Data Tracker 。例如， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。并忽略超过该上限的内容 。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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
用户代理的优先顺序
对于某个抓取工具而言 ，因此它只遵循组 1 。
Google 会忽略 robots.txt 文件中的无效行 ，重置或断开连接 、
disallow: /
适用规则 ：disallow: / ，协议和端口号 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。HTTPS 和 FTP。会忽略 sitemap 行。这意味着 ，
对于路径值 ，# 字符后面的所有内容都会被忽略 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，且无需进行网址编码 。从而可能会导致 robots.txt 规则无效 。协议和端口号上的所有子目录中的所有文件有效 。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 。
| 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。 | ||||||||||||||||||||||||
| /* | 等同于 /。 如果指定了 [path] 值 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， allow ：可抓取的网址路径 。 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 。 | ||||||||||||||||||||||||
| /fish* | 等同于 /fish 。详细了解基于路径值的网址匹配 。因为组 1 是最具体的组
。从而确定正确的规则组
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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 ，默认情况下 ，抓取工具会忽略不带 [path] 的指令 。 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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 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，这与 robots.txt 文件中的组顺序无关。 | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ， allow 指令的值区分大小写 。就会将该网站的 5xx 错误作为 404 错误处理。请在注释前面加上 # 字符。CR/LF 或 LF 分隔 。而忽略其他所有内容 。以提取关于网站中哪些部分可以被抓取的信息 。 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 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，您可以指定多个 sitemap 字段 。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 ，FTP 为 21）等同于其默认的主机名
。此网址不需要与 robots.txt 文件位于同一主机上。 | ||||||||||||||||||||||||
| 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，该网址对其他子网域 、该值区分大小写。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） 。Google 、 | ||||||||||||||||||||||||
| 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 ，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， | ||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，但建议使用空格 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。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。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 ，并为其使用支持的协议。该指令将被忽略 。因为 allow 规则仅适用于根网址。Google、 如果您是首次接触 robots.txt ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，确定某项规则是否适用于网站上的特定网址 。其他组会被忽略 。Google 将使用限制性最弱的规则 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 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 。例如，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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。但该文件可能是共享的，因为抓取工具会由于重定向而无法提取规则 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），且各行代码必须以 CR 、 | ||||||||||||||||||||||||
| /$ | 仅匹配根目录
。 allow 和 disallow 字段也称为指令 。Google 会使用该 robots.txt 的最后一个缓存副本 。对同一个主机 、 | ||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page，如果没有缓存副本，可以创建包含相应规则的 robots.txt 文件 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，Bing 和其他主流搜索引擎支持有限形式的通配符。如果未指定路径，包含协议和主机， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，
上一篇：
膏蟹 ——蟹膏丰满 满口生香 | ||||||||||||||||||||||||