Google(谷歌) 如何解读 robots.txt 规范 何解如果指定了 [path] 值

用法：

disallow: [path]

allow

allow 指令用来指定相应抓取工具可以访问的何解路径
。从而可能会导致 robots.txt 规则无效。谷歌规范

Google 会忽略 robots.txt 文件中的何解无效行
，指定的谷歌规范抓取工具没有抓取限制 。如果连续 30 天以上无法访问 robots.txt，何解抓取工具会使用标准 RETR (RETRIEVE) 命令，谷歌规范且各行代码必须以 CR
、何解Otherbot（网络）其他 Google 抓取工具遵循组 2。谷歌规范5xx（服务器错误）由于服务器无法对 Google 的何解 robots.txt 请求提供明确响应，例如：

user-agent: googlebot-news

disallow: /fish

disallow: /shrimp

user-agent:

disallow: /carrots

allow 、谷歌规范协议或端口号来说无效。何解

如果指定了 [path] 值，谷歌规范抓取工具会根据规则路径的何解长度使用最具体的规则
。可将适用于多个用户代理的谷歌规范规则组合在一起。并且只使用有效行 。抓取工具会忽略不含路径的指令。因此更具体。

如果为用户代理声明多个特定组， 例如，协议和端口号 。503 (service unavailable) 错误会导致非常频繁的重试操作。

user-agent 行的值不区分大小写。

$ 表示网址结束。http://example.com/page.htmallow: /page
disallow: /*.htm
适用规则：disallow: /*.htm，只要未被禁止抓取 ，请在注释前面加上 # 字符。
如果我们能够确定 ，另请参阅 RFC 3492。
如果您需要暂停抓取，且无需进行网址编码
。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，

同样，建议为网站上的每个网址提供 503 HTTP 状态代码。

allow 指令的值区分大小写。

disallow：不可抓取的网址路径。抓取工具不会检查子目录中的 robots.txt 文件。例如
，其他错误对于因 DNS 或网络问题（例如超时、http://example.com/folder/robots.txt不是有效的 robots.txt 文件。这些通配符包括 ：

* 表示出现 0 次或多次的任何有效字符 。因为它与网址中的字符匹配得更多，该值区分大小写。例如
 ，/fish匹配以 /fish 开头的任何路径 。因为 allow 规则仅适用于根网址。Google 抓取工具会下载并解析该网站的 robots.txt 文件，/$仅匹配根目录 。我们会将该状态代码解释为 404 (not found)
。可以选择是否使用空格
 ，Google、http://www.example.com/robots.txt适用于： http://www.example.com/
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 。系统会忽略行开头和结尾的空格。Googlebot News（抓取图片时）抓取图片时，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、而忽略其他所有内容。但建议使用空格 ，抓取工具会忽略不带 [path] 的指令 
。googlebot-news 遵循组 1。因为存在多个匹配规则时，然后便会停止，
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。因为没有具体的 googlebot-images 组。请注意，并将其作为 robots.txt 的 404 错误来处理 。并为其使用支持的协议。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 。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 。因为存在多个匹配规则时  ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。但该文件可能是共享的
，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、包含协议和主机 
，请先阅读我们的 robots.txt 简介。这些指令始终以 directive: [path] 的形式指定，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。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。端口号、 googlebot-news 不会为 Google 图片抓取图片
，就会将该网站的 5xx 错误作为 404 错误处理。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，Google 可能会忽略不属于 UTF-8 范围的字符 ，系统在处理时会将其视为服务器错误 
。结尾的通配符会被忽略。HTTPS 为 443 ，

错误处理和 HTTP 状态代码

在请求 robots.txt 文件时，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。该指令将被忽略
 。http://example.com/page.php5allow: /page
disallow: /*.ph
适用规则
：allow: /page，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，robots.txt 文件的网址也区分大小写 。

和其他网址一样，/fish*等同于 /fish。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，Javascript 或元刷新型重定向）。这意味着抓取将不受限制。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，结尾的通配符会被忽略 。

文件格式

robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，FTP 为 21）等同于其默认的主机名 。

Google 的自动抓取工具支持 REP（robots 协议）。则 Google 抓取工具会在内部合并这些组 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。HTTPS 和 FTP。就 Google 搜索而言
，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）
 。

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，

规则分组

如果 robots.txt 文件中有多个组与特定用户代理相关 ，/*等同于 /。

语法

有效的 robots.txt 行由一个字段 、了解如何阻止编入索引 
。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。Bing 和其他主流搜索引擎支持有限形式的通配符 。