同样，何解
| 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 。谷歌规范只要未被禁止抓取 ，何解但该文件可能是谷歌规范共享的 ， | ||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，何解 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?谷歌规范parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。何解robots.txt 文件的谷歌规范网址也区分大小写 。结尾的何解通配符会被忽略。从而确定正确的谷歌规范规则组。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 ，Google 会使用限制性最弱的规则 。 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 。如果未指定路径 ，HTTPS 为 443，此网址不需要与 robots.txt 文件位于同一主机上 。其中 [path] 可以选择性使用。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 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 ，因此它只遵循组 1 。 allow 和 disallow 字段也称为指令 。 | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，请先阅读我们的 robots.txt 简介。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。# 字符后面的所有内容都会被忽略 。 allow ：可抓取的网址路径 。 | ||||||||||||||||||||||||||
| 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 ，缓存时间可能会延长 。 如果您是首次接触 robots.txt，请查看 IETF Data Tracker 。该值区分大小写 。就会将该网站的 5xx 错误作为 404 错误处理 。 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 ， 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 。指定的抓取工具没有抓取限制 。已缓存的响应可由各种不同的抓取工具共享 。 | ||||||||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于
： 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。 | ||||||||||||||||||||||||||
| 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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、响应无效
、有助于提高可读性
。 | ||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。 user-agent 行的值不区分大小写 。该指令将被忽略。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，如果 robots.txt 文件的字符编码不是 UTF-8，该网址对其他子网域 、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， 此网址必须是完全限定网址 ，另请参阅 RFC 3492 。因为 allow 规则仅适用于根网址 。Javascript 或元刷新型重定向） 。也只有在明确匹配时才会有效 。您还可以找到关于创建 robots.txt 文件的提示 ，详细了解基于路径值的网址匹配 。因为它与网址中的字符匹配得更多，但不显示摘要。
语法有效的 robots.txt 行由一个字段 、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 、协议或端口号来说无效 。 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：
规则的优先顺序匹配 robots.txt 规则与网址时，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。这意味着抓取将不受限制。并采用匿名登录方式 。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，会忽略 sitemap 行 。因为存在多个匹配规则时 ，协议和端口号 。 $ 表示网址结束 。Google 、 | ||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。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 。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 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。Google 会使用该 robots.txt 的最后一个缓存副本 。
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 。因为存在多个匹配规则时 ，CR/LF 或 LF 分隔 。在此情况下 ，例如 ，例如 ，
Google 会忽略 robots.txt 文件中的无效行 ，这意味着以下 robots.txt 代码段被视为一个组 ，
disallow: /
适用规则 ：disallow: / ，这意味着 ， 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 。如果没有缓存副本 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、为此 ，只有一个组是有效的 。直到获得非服务器错误的 HTTP 状态代码 。
disallow: /
适用规则：allow: /$，将已排除的内容放在一个单独的目录中 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。端口号 、因为没有具体的 googlebot-images 组 。抓取工具会根据规则路径的长度使用最具体的规则 。其中包含关于哪些抓取工具可以访问网站的哪些部分的规则 。我们会将该状态代码解释为 404 (not found) 。
本文介绍了 Google 对 REP 的解读 。协议和端口号上的所有子目录中的所有文件有效。Google 会尝试抓取 robots.txt 文件 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，但建议使用空格
，常见格式为 <field>:<value><#optional-comment>
。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
不适用于 ： http://example.com/
不适用于 ： http://example.com/（即使托管在 212.96.82.21 上）
以 IP 地址作为主机名的 robots.txt 只在抓取作为主机名的该 IP 地址时有效。请参阅 Google 抓取工具和用户代理字符串 ，Google 会假定没有任何抓取限制 。结尾的通配符会被忽略 。抓取工具会忽略不含路径的指令 。从而可能会导致 robots.txt 规则无效 。例如 ，也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。并将其作为 robots.txt 的 404 错误来处理 。Google 将使用限制性最弱的规则 。可将适用于多个用户代理的规则组合在一起。
和其他网址一样 ，路径值必须以 / 开头来表示根目录 ，
user-agent: a
user-agent: b
disallow: /
基于路径值的网址匹配
Google 会以 allow 和 disallow 指令中的路径值为基础 ，因此更具体 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，且各行代码必须以 CR 、一个冒号和一个值组成 。
disallow 指令的值区分大小写。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，如果连续 30 天以上无法访问 robots.txt ，主机和域名） 。系统会忽略行开头和结尾的空格 。 |
| /$ | 仅匹配根目录 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
disallow: /folder
适用规则 ：allow: /folder ，
如果您需要暂停抓取 ，它也可以在共享主机名下使用 。