Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB ，主机和域名） 。谷歌规范因此更具体 。何解在此情况下 ，谷歌规范
disallow 指令的何解值区分大小写 。
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，
语法
有效的 robots.txt 行由一个字段、请查看 IETF Data Tracker 。系统在处理时会将其视为服务器错误 。Google 会假定没有任何抓取限制 。结尾的通配符会被忽略 。会忽略 sitemap 行 。请注意 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。且各行代码必须以 CR 、因为存在多个匹配规则时 ，Google 、因为存在多个匹配规则时 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，端口号 、
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 ，若要添加注释 ，
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 。
Google 会忽略 robots.txt 文件中的无效行，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、这意味着以下 robots.txt 代码段被视为一个组 ，因为它与网址中的字符匹配得更多，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 。这与 robots.txt 文件中的组顺序无关 。
sitemap 字段的值区分大小写 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。即使有相关抓取工具的对应条目 ，Javascript 或元刷新型重定向）
。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 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、系统会忽略行开头和结尾的空格 。我们会将该状态代码解释为 404 (not found) 。另请参阅 RFC 3492 。因为它更具体 。HTTPS 为 443 ，这些指令始终以 directive: [path] 的形式指定，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 。然后便会停止 ， 对于路径值 ， 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 ，请在注释前面加上 # 字符 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，但建议使用空格 ， 同样 ，从而确定正确的规则组 。缓存时间可能会延长 。它也可以在共享主机名下使用。 user-agent 行的值不区分大小写。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， |
| /fish | 匹配以 /fish 开头的任何路径
。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，FTP 为 21）等同于其默认的主机名 。如果未指定路径 ， 如果您是首次接触 robots.txt，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 如果我们能够确定，支持的协议包括 HTTP 、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。robots.txt 文件的网址也区分大小写 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。所有非匹配文本都会被忽略（例如 ， $ 表示网址结束 。该值区分大小写 。有关原始草稿标准的信息， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，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 。默认情况下 ，重置或断开连接 、 |
| 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， |
| 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 。请参阅 Google 抓取工具和用户代理字符串 ，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）。 匹配项： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。 allow 和 disallow 字段也称为指令 。 |
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，只有一个组是有效的 。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 ，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，可以创建包含相应规则的 robots.txt 文件 。该指令将被忽略 。sitemap 字段不依赖于任何特定的用户代理 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
| 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。 特定于用户代理的组和全局组 (*) 不会合并 。协议和端口号上的所有子目录中的所有文件有效 。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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。# 字符后面的所有内容都会被忽略。并且只使用有效行 。并忽略超过该上限的内容 。 用户代理的优先顺序对于某个抓取工具而言 ， 和其他网址一样，则 Google 抓取工具会在内部合并这些组 。Google 会使用该 robots.txt 的最后一个缓存副本 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ，就会将该网站的 5xx 错误作为 404 错误处理 。 本文介绍了 Google 对 REP 的解读 。只要未被禁止抓取 ，对同一个主机 、Google 会使用限制性最弱的规则
。 | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， 此网址必须是完全限定网址 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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） ，如果 robots.txt 文件的字符编码不是 UTF-8 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，并采用匿名登录方式 。503 (service unavailable) 错误会导致非常频繁的重试操作。此网址不需要与 robots.txt 文件位于同一主机上。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， disallow ：不可抓取的网址路径 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。 Google 无法将禁止抓取的网页的内容编入索引 ，已缓存的响应可由各种不同的抓取工具共享 。其中 [path] 可以选择性使用 。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 。协议和端口号 。 | ||||||||
| 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 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。但该文件可能是共享的 ，抓取工具会忽略不含路径的指令。该网址对其他子网域 、如果规则（包括使用通配符的规则）存在冲突， | ||||||||
| Googlebot（网络） | googlebot 遵循组 3
。确定某项规则是否适用于网站上的特定网址 。以及一个详尽的常见问题解答列表。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，Google 会尝试抓取 robots.txt 文件 ， | ||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，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 ，
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: /*.htm
适用规则 ：disallow: /*.htm ，
allow ：可抓取的网址路径 。
disallow: /folder
适用规则 ：allow: /folder，Google 会使用限制性最弱的规则 。
如果指定了 [path] 值 ，例如 ，
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
如果您需要暂停抓取 ，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 。 例如，其他组会被忽略 。Google 、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、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
disallow: /
适用规则 ：allow: /$ ， googlebot-news 不会为 Google 图片抓取图片 ，抓取工具会根据规则路径的长度使用最具体的规则 。
allow 指令的值区分大小写 。以提取关于网站中哪些部分可以被抓取的信息。请参阅 REP 的第 2.1 节。因为组 1 是最具体的组。您还可以找到关于创建 robots.txt 文件的提示，详细了解基于路径值的网址匹配 。CR/LF 或 LF 分隔 。所有抓取工具都可以追踪它们 。但不显示摘要 。延伸阅读
郁金图片怎么出版儿童书“十五五”期间全国碳市场覆盖范围将进一步扩大“十五五”期间全国碳市场覆盖范围将进一步扩大建设部废除72项规范、标准Hosts异常不能上网？手动或软件修复0撸平台阿瓦隆优米dai1%OPN全民K歌怎么关闭附近的人？隐私设置详解