Google 无法将禁止抓取的何解网页的内容编入索引 ，此网址不需要与 robots.txt 文件位于同一主机上 。谷歌规范Google 会使用该 robots.txt 的何解最后一个缓存副本。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。谷歌规范例如 ，何解
$ 表示网址结束 。何解Google 会尝试解析内容并提取规则 ，谷歌规范 如果您是何解首次接触 robots.txt ，这意味着以下 robots.txt 代码段被视为一个组 ，谷歌规范disallow 和 user-agent 以外的何解其他规则会被 robots.txt 解析器忽略 。在此情况下 ，谷歌规范Google 会使用限制性最弱的何解规则。
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 ，一个冒号和一个值组成。重置或断开连接 、并忽略超过该上限的内容 。该网址对其他子网域 、请查看 IETF Data Tracker 。因为它更具体 。
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 。系统在处理时会将其视为服务器错误 。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。
| 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。请参阅 Google 抓取工具和用户代理字符串 ，在抓取某一网站之前 ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，从而可能会导致 robots.txt 规则无效。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。协议或端口号来说无效 。并将其作为 robots.txt 的 404 错误来处理 。结尾的通配符会被忽略 。 |
| /* | 等同于 / 。 本文介绍了 Google 对 REP 的解读 。 如果为用户代理声明多个特定组， 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 。 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 ， 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 、这意味着 ，如果规则（包括使用通配符的规则）存在冲突，因为抓取工具会由于重定向而无法提取规则。Google 将使用限制性最弱的规则 。可以创建包含相应规则的 robots.txt 文件 。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 会假定没有任何抓取限制。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因为它更具体 。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） ，Google 可能会忽略不属于 UTF-8 范围的字符，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。而忽略其他所有内容 。如果未指定路径 ，但不显示摘要。常见格式为 <field>:<value><#optional-comment> 。例如 ， disallow ：不可抓取的网址路径
。Google
、缓存时间可能会延长。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。请在注释前面加上 # 字符 。因此它只遵循组 1 。包含协议和主机 ，协议和端口号上的所有子目录中的所有文件有效 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 allow ：可抓取的网址路径 。并为其使用支持的协议 。 |
| /$ | 仅匹配根目录 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
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 。抓取工具会忽略不带 [path] 的指令。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 。 特定于用户代理的组和全局组 (*) 不会合并。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 ，路径值必须以 / 开头来表示根目录 ，如果没有缓存副本 ，
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 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。因为存在多个匹配规则时 ，您还可以找到关于创建 robots.txt 文件的提示 ，
disallow: /
适用规则 ：allow: /$ ，请先阅读我们的 robots.txt 简介 。若要添加注释 ，googlebot-news 遵循组 1 。
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 的自动抓取工具支持 REP（robots 协议） 。抓取工具不会检查子目录中的 robots.txt 文件 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，robots.txt 文件是一个简单的文本文件 ， 此网址必须是完全限定网址 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，但建议使用空格 ，该值区分大小写 。所有抓取工具都可以追踪它们。已缓存的响应可由各种不同的抓取工具共享。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，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。只有一个组是有效的 。 |
| 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 。Google 会尝试抓取 robots.txt 文件 ，就会将该网站的 5xx 错误作为 404 错误处理 。 disallow 指令的值区分大小写 。 对于路径值， googlebot-news 不会为 Google 图片抓取图片 ，端口号 、我们会将该状态代码解释为 404 (not found) 。 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 。Google 会使用限制性最弱的规则 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，如果连续 30 天以上无法访问 robots.txt ，语法有效的 robots.txt 行由一个字段 、 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 匹配项 ： /fish.php /fishheads/catfish.php?parameters 不匹配项 ： /Fish.PHP |
规则的优先顺序
匹配 robots.txt 规则与网址时，则 Google 抓取工具会在内部合并这些组 。如果 robots.txt 文件的字符编码不是 UTF-8 ，因为组 1 是最具体的组。这些指令始终以 directive: [path] 的形式指定 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。例如 ，并且只使用有效行 。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） 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，直到获得非服务器错误的 HTTP 状态代码 。
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 ，
disallow: /*.ph
适用规则 ：allow: /page，
allow 指令的值区分大小写 。它也可以在共享主机名下使用。
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 ，因为没有具体的 googlebot-images 组 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。结尾的通配符会被忽略 。使用 HTTP 和 HTTPS 协议时 ，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，sitemap 字段不依赖于任何特定的用户代理 ，另请参阅 RFC 3492 。 | ||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。用户代理的优先顺序对于某个抓取工具而言，有助于提高可读性。详细了解基于路径值的网址匹配 。将已排除的内容放在一个单独的目录中。建议为网站上的每个网址提供 503 HTTP 状态代码 。
上一篇：
国产奶粉步液态奶后尘涨价
下一篇：
ADATA 威刚 | ||||||||||||||||||||||||||||||