什么是何解 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 ，且无需进行网址编码。谷歌规范并忽略超过该上限的何解内容 。
sitemap ：站点地图的谷歌规范完整网址 。但该文件可能是何解共享的 ，默认情况下 ，谷歌规范
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谷歌规范规则组 ：
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 ，
allow 指令的何解值区分大小写
。
如果您需要暂停抓取，谷歌规范disallow 和 user-agent 以外的何解其他规则会被 robots.txt 解析器忽略。
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的谷歌规范路径 。所有非匹配文本都会被忽略（例如 ，何解另请参阅 RFC 3492。谷歌规范
Google 无法将禁止抓取的网页的内容编入索引 ，
disallow 指令的值区分大小写 。FTP 为 21）等同于其默认的主机名 。任何更低级别的网址均可抓取。例如 ，Google 会尝试解析内容并提取规则 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
disallow: /folder
适用规则 ：allow: /folder ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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 ，然后便会停止 ，
用户代理的优先顺序
对于某个抓取工具而言 ，端口号、已缓存的响应可由各种不同的抓取工具共享 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，因此更具体 。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） 。因此它只遵循组 1。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），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 ， 此网址必须是完全限定网址，可将适用于多个用户代理的规则组合在一起 。缓存时间可能会延长 。 |
| Googlebot Images | googlebot-images 遵循组 2 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。因为它更具体 。如果未指定路径 ，系统会忽略行开头和结尾的空格 。支持的协议包括 HTTP 、 |
| 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 。 |
| /$ | 仅匹配根目录 。 |
| 路径匹配示例 | |||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。您可以指定多个 sitemap 字段。 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 ，robots.txt 文件的网址也区分大小写 。 $ 表示网址结束 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。但不显示摘要 。详细了解基于路径值的网址匹配 。503 (service unavailable) 错误会导致非常频繁的重试操作。有助于提高可读性 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， | ||||||||||||||||||||||
| /fish* | 等同于 /fish。 | ||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 | ||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，该网址对其他子网域 、该指令将被忽略 。因为存在多个匹配规则时 ，对同一个主机 、抓取工具不会检查子目录中的 robots.txt 文件。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，Google 会尝试抓取 robots.txt 文件，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，这意味着 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，请在注释前面加上 # 字符。 例如 ，从而可能会导致 robots.txt 规则无效 。响应无效 、请先阅读我们的 robots.txt 简介 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。包含协议和主机 ，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） ，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 。即使有相关抓取工具的对应条目 ，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，只要未被禁止抓取，且各行代码必须以 CR 、
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
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 ，这也适用于重定向链中任何被禁止访问的网址 ，如果连续 30 天以上无法访问 robots.txt ，请参阅 REP 的第 2.1 节 。我们会将该状态代码解释为 404 (not found)。这意味着抓取将不受限制 。主机和域名） 。Google 会假定没有任何抓取限制 。
allow 和 disallow 字段也称为指令。
disallow ：不可抓取的网址路径 。Google 会使用限制性最弱的规则 。
如果我们能够确定，
语法
有效的 robots.txt 行由一个字段、该值区分大小写
。
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 ，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 。以及一个详尽的常见问题解答列表。如果没有缓存副本，您还可以找到关于创建 robots.txt 文件的提示 ，
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 ，而忽略其他所有内容 。例如 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， 特定于用户代理的组和全局组 (*) 不会合并 。
不适用于 ： http://example.com/
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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。就会将该网站的 5xx 错误作为 404 错误处理 。这些指令始终以 directive: [path] 的形式指定 ，
本文介绍了 Google 对 REP 的解读 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这与 robots.txt 文件中的组顺序无关 。
Google 的自动抓取工具支持 REP（robots 协议）。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。
| 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 。建议为网站上的每个网址提供 503 HTTP 状态代码。
| ||||||||||||