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 ，有助于提高可读性 。何解常见格式为 <field>:<value><#optional-comment> 。谷歌规范该指令将被忽略 。何解
disallow: /folder
适用规则 ：allow: /folder ，何解抓取工具会根据规则路径的谷歌规范长度使用最具体的规则。503 (service unavailable) 错误会导致非常频繁的何解重试操作 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，何解 特定于用户代理的谷歌规范组和全局组 (*) 不会合并 。主机和域名） 。何解可将适用于多个用户代理的谷歌规范规则组合在一起 。指定的抓取工具没有抓取限制 。即使有相关抓取工具的对应条目 ，任何更低级别的网址均可抓取。确定某项规则是否适用于网站上的特定网址 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
如果您需要暂停抓取 ，Google 会使用限制性最弱的规则。对同一个主机 、
sitemap 字段的值区分大小写 。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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。以及一个详尽的常见问题解答列表。Google 将使用限制性最弱的规则 。所有抓取工具都可以追踪它们 。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 。协议和端口号 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
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， sitemap：站点地图的完整网址。您可以指定多个 sitemap 字段 。然后便会停止， | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，Google 、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 、 语法有效的 robots.txt 行由一个字段 、如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||||||||
| /fish* | 等同于 /fish。这意味着以下 robots.txt 代码段被视为一个组
，只要未被禁止抓取
，但可能仍会将其网址编入索引并将其显示在搜索结果中， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，这与 robots.txt 文件中的组顺序无关 。 | ||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，例如 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、sitemap 字段不依赖于任何特定的用户代理 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，robots.txt 文件是一个简单的文本文件 ，Google 会使用限制性最弱的规则 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、因为它更具体 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， allow 指令的值区分大小写 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。结尾的通配符会被忽略 。robots.txt 文件的网址也区分大小写 。以提取关于网站中哪些部分可以被抓取的信息。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，如果未指定路径 ，其中 [path] 可以选择性使用 。 Google 无法将禁止抓取的网页的内容编入索引 ，例如，协议或端口号来说无效。该值区分大小写 。 同样 ，这意味着抓取将不受限制 。并忽略超过该上限的内容 。 | ||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，缓存时间可能会延长
。并将其作为 robots.txt 的 404 错误来处理 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为存在多个匹配规则时 ，example.com 的 robots.txt 文件可能如下所示 ： # 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 ，且无需进行网址编码
。如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。因为存在多个匹配规则时
，了解如何阻止编入索引 。 $ 表示网址结束。Google 会使用该 robots.txt 的最后一个缓存副本。 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。可以选择是否使用空格 ， allow ：可抓取的网址路径 。Google 、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 。 user-agent 行的值不区分大小写 。因此它只遵循组 1 。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 ， 对于路径值 ，使用 HTTP 和 HTTPS 协议时 ，系统会忽略行开头和结尾的空格 。 本文介绍了 Google 对 REP 的解读。 Google 会忽略 robots.txt 文件中的无效行 ，因为它与网址中的字符匹配得更多 ，一个冒号和一个值组成。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 ， 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， 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 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。HTTPS 和 FTP 。另请参阅 RFC 3492 。为此 ，请在注释前面加上 # 字符 。
规则的优先顺序匹配 robots.txt 规则与网址时，重置或断开连接 、这也适用于重定向链中任何被禁止访问的网址 ，有关原始草稿标准的信息
，如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。请先阅读我们的 robots.txt 简介 。 | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。# 字符后面的所有内容都会被忽略
。Bing 和其他主流搜索引擎支持有限形式的通配符 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||
| 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 ，
| ||||||||||||||||||
| 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 。 | ||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，其他组会被忽略 。googlebot-news 遵循组 1 。从而可能会导致 robots.txt 规则无效。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） 。抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，默认情况下 ，
Google 的自动抓取工具支持 REP（robots 协议） 。FTP 为 21）等同于其默认的主机名 。 如果您是首次接触 robots.txt ，
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 。我们会将该状态代码解释为 404 (not found) 。
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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。直到获得非服务器错误的 HTTP 状态代码 。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 ，
disallow: /*.ph
适用规则 ：allow: /page ，此网址不需要与 robots.txt 文件位于同一主机上 。请查看 IETF Data Tracker 。
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 ，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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。而忽略其他所有内容 。HTTPS 为 443 ，包含协议和主机 ，若要添加注释 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。已缓存的响应可由各种不同的抓取工具共享。在抓取某一网站之前，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。
disallow: /
适用规则 ：disallow: / ，如果没有缓存副本 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。请注意 ，
disallow: /
适用规则 ：allow: /$ ，所有非匹配文本都会被忽略（例如 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，路径值必须以 / 开头来表示根目录 ，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 。
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。
如果指定了 [path] 值 ，也只有在明确匹配时才会有效。可以创建包含相应规则的 robots.txt 文件。但该文件可能是共享的，因为它更具体 。 例如 ，
用户代理的优先顺序
对于某个抓取工具而言
，因为没有具体的 googlebot-images 组
。继续学习
阳光鼠 SUNROO“五一”假期，山西博物院推出两大重磅展览盘点华夏现代国力，革命先辈泪目欧洲科研团队推出 3D 打印木基复合建材紫灵芝炖鸡新民特写｜“妈妈集市”，空气中都是香甜的味道梅州启动防汛Ⅳ级应急响应！注意防御乏力、抽筋、心跳“漏拍” 身体的“隐形电池”没电很“要命”