Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，
本文介绍了 Google 对 REP 的谷歌规范解读 。为此 ，何解例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范这意味着抓取将不受限制。何解
对于路径值 ，谷歌规范robots.txt 文件是一个简单的文本文件 ，详细了解基于路径值的网址匹配 。 此网址必须是完全限定网址 ，只要未被禁止抓取，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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，
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
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 ，
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 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。
# 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 ，并采用匿名登录方式 。包含协议和主机 ，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，会忽略 sitemap 行 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因为 allow 规则仅适用于根网址 。协议和端口号上的所有子目录中的所有文件有效 。任何更低级别的网址均可抓取 。但可能仍会将其网址编入索引并将其显示在搜索结果中，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 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 、可以创建包含相应规则的 robots.txt 文件。您还可以找到关于创建 robots.txt 文件的提示 ，
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 ，googlebot-news 遵循组 1 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 会尝试解析内容并提取规则，结尾的通配符会被忽略 。已缓存的响应可由各种不同的抓取工具共享。常见格式为 <field>:<value><#optional-comment> 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，Javascript 或元刷新型重定向） 。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 ，
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，从而可能会导致 robots.txt 规则无效 。这些指令始终以 directive: [path] 的形式指定 ，请查看 IETF Data Tracker。 例如 ，
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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，有助于提高可读性 。Google 将使用限制性最弱的规则 。抓取工具会忽略不带 [path] 的指令 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
disallow: /folder
适用规则：allow: /folder ， 如果您是首次接触 robots.txt ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。直到获得非服务器错误的 HTTP 状态代码 。例如 ，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 。以及一个详尽的常见问题解答列表 。
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 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，如果 robots.txt 文件的字符编码不是 UTF-8 ，
如果您需要暂停抓取 ，请在注释前面加上 # 字符 。
sitemap ：站点地图的完整网址 。
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 。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 。
| 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 。 | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。系统会忽略行开头和结尾的空格。请先阅读我们的 robots.txt 简介 。确定某项规则是否适用于网站上的特定网址。例如，HTTPS 和 FTP 。 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。抓取工具会根据规则路径的长度使用最具体的规则。 allow ：可抓取的网址路径。# 字符后面的所有内容都会被忽略 。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、 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。这也适用于重定向链中任何被禁止访问的网址，但不显示摘要 。因为存在多个匹配规则时 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，从而确定正确的规则组 。因为没有具体的 googlebot-images 组。 如果为用户代理声明多个特定组 ， | ||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 。重置或断开连接、 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 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。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 。 | ||||||||||||||||||||
| /fish* | 等同于 /fish 。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
。 同样，该值区分大小写 。 | ||||||||||||||||||||
| 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 ，在抓取某一网站之前 ，此网址不需要与 robots.txt 文件位于同一主机上
。若要添加注释 ， sitemap 字段的值区分大小写。 disallow ：不可抓取的网址路径 。因此它只遵循组 1 。就会将该网站的 5xx 错误作为 404 错误处理 。并且只使用有效行。这意味着以下 robots.txt 代码段被视为一个组 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。就 Google 搜索而言， user-agent 行的值不区分大小写。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） 。因此更具体 。它也可以在共享主机名下使用 。Google 、 如果指定了 [path] 值 ，Google 会使用限制性最弱的规则 。因为它更具体 。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 。 | ||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，请注意，另请参阅 RFC 3492 。robots.txt 文件的网址也区分大小写 。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，端口号 、因为组 1 是最具体的组 。 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 ， googlebot-news 不会为 Google 图片抓取图片 ，
| ||||||||||||||||||||