allow ：可抓取的谷歌规范网址路径。结尾的何解通配符会被忽略 。就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。
什么是谷歌规范 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 会使用限制性最弱的何解规则 。Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。Google 抓取工具会下载并解析该网站的何解 robots.txt 文件 ，
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。何解REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅）， sitemap 字段的值区分大小写。包含协议和主机 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。Google 、 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（网络） | googlebot 遵循组 3
。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 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 |
| 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 。为此，因为它更具体 。结尾的通配符会被忽略 。 如果我们能够确定 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，我们会将该状态代码解释为 404 (not found)。
disallow: /
适用规则 ：disallow: / ， 此网址必须是完全限定网址 ，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 ，
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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。响应无效 、以及一个详尽的常见问题解答列表 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，协议和端口号上的所有子目录中的所有文件有效 。 |
| 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 ，因为组 1 是最具体的组 。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 ，使用 HTTP 和 HTTPS 协议时 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，该指令将被忽略 。 如果为用户代理声明多个特定组 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，会忽略 sitemap 行 。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 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，但该文件可能是共享的 ，请在注释前面加上 # 字符 。主机和域名） 。如果规则（包括使用通配符的规则）存在冲突，这意味着抓取将不受限制 。 |
| 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 。抓取工具会根据规则路径的长度使用最具体的规则 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， |
| /fish* | 等同于 /fish。确定某项规则是否适用于网站上的特定网址 。已缓存的响应可由各种不同的抓取工具共享 。因为 allow 规则仅适用于根网址 。Google
、语法有效的 robots.txt 行由一个字段、而忽略其他所有内容 。 如果您是首次接触 robots.txt ，对同一个主机 、请参阅 REP 的第 2.1 节 。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。请查看 IETF Data Tracker。robots.txt 文件是一个简单的文本文件，系统在处理时会将其视为服务器错误。另请参阅 RFC 3492 。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 ，在抓取某一网站之前 ， 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 ，并为其使用支持的协议。则 Google 抓取工具会在内部合并这些组 。Google 可能会忽略不属于 UTF-8 范围的字符 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 ， 例如 ，
allow 和 disallow 字段也称为指令 。也只有在明确匹配时才会有效 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，sitemap 字段不依赖于任何特定的用户代理 ，这与 robots.txt 文件中的组顺序无关。因为存在多个匹配规则时 ，Google 会尝试抓取 robots.txt 文件 ，将已排除的内容放在一个单独的目录中 。然后便会停止 ，CR/LF 或 LF 分隔。因此更具体 。因为它更具体 。抓取工具会忽略不含路径的指令 。重置或断开连接 、一个冒号和一个值组成 。若要添加注释 ，
用户代理的优先顺序
对于某个抓取工具而言 ，支持的协议包括 HTTP、
disallow：不可抓取的网址路径 。您可以指定多个 sitemap 字段 。这意味着，并忽略超过该上限的内容。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，Bing 和其他主流搜索引擎支持有限形式的通配符 。
如果指定了 [path] 值 ，缓存时间可能会延长 。有关原始草稿标准的信息，例如 ，googlebot-news 遵循组 1 。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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
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。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google 将使用限制性最弱的规则。因为没有具体的 googlebot-images 组 。请注意，抓取工具会忽略不带 [path] 的指令 。
sitemap ：站点地图的完整网址 。
Google 的自动抓取工具支持 REP（robots 协议）。 googlebot-news 不会为 Google 图片抓取图片 ，
# 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 ，此网址不需要与 robots.txt 文件位于同一主机上 。指定的抓取工具没有抓取限制 。robots.txt 文件的网址也区分大小写 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符
。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
，如果 robots.txt 文件的字符编码不是 UTF-8 ，Google 会使用限制性最弱的规则 。抓取工具会使用标准 RETR (RETRIEVE) 命令，但建议使用空格
，可以选择是否使用空格 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
本文介绍了 Google 对 REP 的解读 。
disallow: /*.ph
适用规则 ：allow: /page ，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） 。抓取工具不会检查子目录中的 robots.txt 文件 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、且无需进行网址编码 。协议或端口号来说无效 。HTTPS 和 FTP 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
disallow: /folder
适用规则 ：allow: /folder ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，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 ，请先阅读我们的 robots.txt 简介。
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
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
Google 无法将禁止抓取的网页的内容编入索引 ，
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
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 ，所有非匹配文本都会被忽略（例如 ，这也适用于重定向链中任何被禁止访问的网址 ，直到获得非服务器错误的 HTTP 状态代码 。例如，常见格式为 <field>:<value><#optional-comment> 。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 。在此情况下 ，您还可以找到关于创建 robots.txt 文件的提示 ，并且只使用有效行 。 | ||||||||||||||||
| 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 ， 对于路径值 ，就 Google 搜索而言，因为抓取工具会由于重定向而无法提取规则 。 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 。其中 [path] 可以选择性使用。它也可以在共享主机名下使用 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，这意味着以下 robots.txt 代码段被视为一个组， | ||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
， $ 表示网址结束 。HTTPS 为 443 ，系统会忽略行开头和结尾的空格。 allow 指令的值区分大小写 。 | ||||||||||||||||
| 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。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 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 、且各行代码必须以 CR 、
下一篇：
TOMATOPAPA | ||||||||||||||||