Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，为此 ，何解
disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范
# 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 ，服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。请参阅 REP 的何解第 2.1 节 。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） ，Google 会尝试抓取 robots.txt 文件，何解
robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
如果您需要暂停抓取 ，因为存在多个匹配规则时，
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 。
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。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，如果连续 30 天以上无法访问 robots.txt，
disallow 指令的值区分大小写 。且各行代码必须以 CR 、 特定于用户代理的组和全局组 (*) 不会合并 。系统在处理时会将其视为服务器错误 。在抓取某一网站之前 ，从而可能会导致 robots.txt 规则无效 。结尾的通配符会被忽略 。
同样 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。协议和端口号 。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 、指定的抓取工具没有抓取限制
。路径值必须以 / 开头来表示根目录，就 Google 搜索而言 ，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，已缓存的响应可由各种不同的抓取工具共享 。Google 会使用该 robots.txt 的最后一个缓存副本 。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 。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 。 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 ，例如 ， |
| /fish | 匹配以 /fish 开头的任何路径 。协议或端口号来说无效。而忽略其他所有内容 。我们会将该状态代码解释为 404 (not found) 。 如果您是首次接触 robots.txt ，这些指令始终以 directive: [path] 的形式指定 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ，确定某项规则是否适用于网站上的特定网址
。# 字符后面的所有内容都会被忽略。 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
。该值区分大小写
。 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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。例如，因为它与网址中的字符匹配得更多 ，抓取工具会根据规则路径的长度使用最具体的规则 。但不显示摘要。 |
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 。以及一个详尽的常见问题解答列表 。
disallow：不可抓取的网址路径 。
Google 无法将禁止抓取的网页的内容编入索引 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
用户代理的优先顺序
对于某个抓取工具而言 ，Google 、但该文件可能是共享的，缓存时间可能会延长 。因为它更具体 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Google 会假定没有任何抓取限制 。
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 ，直到获得非服务器错误的 HTTP 状态代码
。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
user-agent 行的值不区分大小写 。但建议使用空格 ，即使有相关抓取工具的对应条目，并为其使用支持的协议 。
如果为用户代理声明多个特定组 ，
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 ，robots.txt 文件的网址也区分大小写。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。
disallow: /
适用规则 ：disallow: /，这与 robots.txt 文件中的组顺序无关 。就会将该网站的 5xx 错误作为 404 错误处理 。所有抓取工具都可以追踪它们 。
如果我们能够确定，因此更具体。可以选择是否使用空格 ，会忽略 sitemap 行 。
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
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。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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 ，在此情况下 ，请查看 IETF Data Tracker。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） 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
和其他网址一样， googlebot-news 不会为 Google 图片抓取图片，
如果指定了 [path] 值 ，抓取工具会忽略不带 [path] 的指令 。了解如何阻止编入索引 。
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 。Google 会使用限制性最弱的规则 。也只有在明确匹配时才会有效 。并将其作为 robots.txt 的 404 错误来处理。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、请在注释前面加上 # 字符 。只要未被禁止抓取 ，Bing 和其他主流搜索引擎支持有限形式的通配符。此网址不需要与 robots.txt 文件位于同一主机上 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
allow ：可抓取的网址路径。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，这意味着，
allow 指令的值区分大小写 。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 ，googlebot-news 遵循组 1 。
语法
有效的 robots.txt 行由一个字段 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，这意味着抓取将不受限制 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，然后便会停止 ，
allow 和 disallow 字段也称为指令 。Javascript 或元刷新型重定向）。有助于提高可读性 。从而确定正确的规则组 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。任何更低级别的网址均可抓取 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
| 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 。包含协议和主机 ， | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。这也适用于重定向链中任何被禁止访问的网址 ， | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，该网址对其他子网域 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，详细了解基于路径值的网址匹配 。 对于路径值 ， | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，HTTPS 为 443，Google、Google 会使用限制性最弱的规则 。协议和端口号上的所有子目录中的所有文件有效。 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。这意味着以下 robots.txt 代码段被视为一个组， 本文介绍了 Google 对 REP 的解读 。 | ||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。CR/LF 或 LF 分隔。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 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 ，可将适用于多个用户代理的规则组合在一起 。建议为网站上的每个网址提供 503 HTTP 状态代码 。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 。 Google 的自动抓取工具支持 REP（robots 协议） 。因为它更具体。且无需进行网址编码 。您可以指定多个 sitemap 字段 。您还可以找到关于创建 robots.txt 文件的提示 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因为抓取工具会由于重定向而无法提取规则 。系统会忽略行开头和结尾的空格 。 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 ，将已排除的内容放在一个单独的目录中 。 | ||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，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 ，并且只使用有效行 。使用 HTTP 和 HTTPS 协议时 ，一个冒号和一个值组成 。因为存在多个匹配规则时 ，Google 可能会忽略不属于 UTF-8 范围的字符，主机和域名） 。端口号 、
| ||||||||||||||||