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 ，谷歌规范HTTP 组块错误等）而无法抓取的何解 robots.txt 文件 ，协议和端口号上的谷歌规范所有子目录中的所有文件有效。
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解 匹配项 ： /fish /fish.html /fish/salmon.html /fishheads /fishheads/yummy.html /fish.php?谷歌规范id=anything 不匹配项 ： /Fish.asp /catfish /?id=fish | ||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。请参阅 REP 的何解第 2.1 节
。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范 | ||||||||||
| 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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。有助于提高可读性 。谷歌规范该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置 。如果没有缓存副本 ，何解 | ||||||||||
| /$ | 仅匹配根目录 。谷歌规范但建议使用空格 ，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 。 | ||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。Google 会使用限制性最弱的规则 。这些指令始终以 directive: [path] 的形式指定 ，robots.txt 文件的网址也区分大小写 。如果连续 30 天以上无法访问 robots.txt ，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），直到获得非服务器错误的 HTTP 状态代码。端口号 、此网址不需要与 robots.txt 文件位于同一主机上 。抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。这意味着抓取将不受限制 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||
| /* | 等同于 /。缓存时间可能会延长 。将已排除的内容放在一个单独的目录中。就会将该网站的 5xx 错误作为 404 错误处理 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，常见格式为 <field>:<value><#optional-comment>。了解如何阻止编入索引 。因此更具体 。建议为网站上的每个网址提供 503 HTTP 状态代码 。该指令将被忽略。HTTPS 和 FTP。因为存在多个匹配规则时， | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。只要未被禁止抓取
，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 。您还可以找到关于创建 robots.txt 文件的提示 ， Google 无法将禁止抓取的网页的内容编入索引，系统在处理时会将其视为服务器错误 。 Google 会忽略 robots.txt 文件中的无效行 ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。默认情况下 ，这也适用于重定向链中任何被禁止访问的网址，如果 robots.txt 文件的字符编码不是 UTF-8 ，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 。 本文介绍了 Google 对 REP 的解读。 allow 和 disallow 字段也称为指令 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 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 ，系统会忽略行开头和结尾的空格。例如 ， 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 。从而可能会导致 robots.txt 规则无效 。已缓存的响应可由各种不同的抓取工具共享 。另请参阅 RFC 3492 。Google 将使用限制性最弱的规则 。可以选择是否使用空格 ，如果规则（包括使用通配符的规则）存在冲突 ， disallow 指令的值区分大小写 。抓取工具会忽略不含路径的指令 。 | ||||||||||
| 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 。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 。确定某项规则是否适用于网站上的特定网址 。所有非匹配文本都会被忽略（例如 ，包含协议和主机， | ||||||||||
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。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，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 。使用 HTTP 和 HTTPS 协议时 ，路径值必须以 / 开头来表示根目录 ，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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。且各行代码必须以 CR 、robots.txt 文件是一个简单的文本文件，其中 [path] 可以选择性使用 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这意味着以下 robots.txt 代码段被视为一个组 ，
allow 指令的值区分大小写 。
sitemap 字段的值区分大小写。在抓取某一网站之前，
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 ，如果未指定路径 ，
$ 表示网址结束
。Google 会使用限制性最弱的规则。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
如果我们能够确定
，
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?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 。 | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，因为存在多个匹配规则时 ，例如，会忽略 sitemap 行 。Google 可能会忽略不属于 UTF-8 范围的字符 ， 同样 ， 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。即使有相关抓取工具的对应条目
，请先阅读我们的 robots.txt 简介 。指定的抓取工具没有抓取限制 。 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 ， Google 的自动抓取工具支持 REP（robots 协议） 。以及一个详尽的常见问题解答列表。Javascript 或元刷新型重定向） 。但该文件可能是共享的 ， 用户代理的优先顺序对于某个抓取工具而言， 如果为用户代理声明多个特定组 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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 ，因为 allow 规则仅适用于根网址 。协议或端口号来说无效 。并忽略超过该上限的内容。抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，因为组 1 是最具体的组 。我们会将该状态代码解释为 404 (not found) 。
| 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
。主机和域名）
。继续学习倚天零撸，一直稳定赚，有视频教程.营养小菜简单做：润肠排毒的凉拌金针菠菜10月9日人民币对美元中间价报6.7330 上调37个基点迎元宵、助冬奥垃圾分类我先行上海“橘”：高级日料轻松吃迎元宵、助冬奥垃圾分类我先行企业站获取自然流量应该关注哪些seo优化信息？德国 EDGE Suedkreuz 大楼被认证为德国最具可持续性的建筑之一 |