Google 会忽略 robots.txt 文件中的谷歌规范无效行，
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，因为它更具体。谷歌规范建议为网站上的何解每个网址提供 503 HTTP 状态代码。其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则。
disallow: /
适用规则：allow: /$ ，何解
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时
，
匹配项
：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写
。如果下载的谷歌规范内容是 Html 格式而非 robots.txt 规则 ，因为存在多个匹配规则时，何解一个冒号和一个值组成 。谷歌规范
匹配项 ：
/fish/
/animals/fish/
/fish/?何解id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
同样 ，下面说明了抓取工具如何理解之前的 robots.txt 代码段 ：
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 ，系统在处理时会将其视为服务器错误。
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。
如果我们能够确定 ，该网址对其他子网域、 googlebot-news 不会为 Google 图片抓取图片 ，Google 、请先阅读我们的 robots.txt 简介。详细了解基于路径值的网址匹配 。默认情况下 ，
allow 指令的值区分大小写 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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
，抓取工具会忽略不带 [path] 的指令
。
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
| 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。有助于提高可读性 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、该指令将被忽略 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 |
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2。会忽略 sitemap 行 。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
， 如果为用户代理声明多个特定组 ，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 ，已缓存的响应可由各种不同的抓取工具共享 。且无需进行网址编码 。在抓取某一网站之前 ，也只有在明确匹配时才会有效。 |
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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，抓取工具会根据规则路径的长度使用最具体的规则 。请注意，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、指定的抓取工具没有抓取限制
。这些指令始终以 directive: [path] 的形式指定 ，将已排除的内容放在一个单独的目录中。 特定于用户代理的组和全局组 (*) 不会合并
。如果规则（包括使用通配符的规则）存在冲突 ，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 [path] 可以选择性使用
。并且只使用有效行 。即使有相关抓取工具的对应条目 ，我们会将该状态代码解释为 404 (not found) 。另请参阅 RFC 3492 。有关原始草稿标准的信息 ，googlebot-news 遵循组 1 。例如 ，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，
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
sitemap ：站点地图的完整网址。缓存时间可能会延长 。例如 ，因为它与网址中的字符匹配得更多 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，直到获得非服务器错误的 HTTP 状态代码 。
disallow: /
适用规则 ：disallow: /，支持的协议包括 HTTP 、Javascript 或元刷新型重定向） 。
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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
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 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。该值区分大小写 。这意味着抓取将不受限制 。因为它更具体 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
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 会尝试抓取 robots.txt 文件 ，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 、常见格式为 <field>:<value><#optional-comment> 。因为抓取工具会由于重定向而无法提取规则 。请参阅 Google 抓取工具和用户代理字符串 ，
allow：可抓取的网址路径 。协议和端口号 。抓取工具会忽略不含路径的指令 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，HTTPS 和 FTP 。
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 ，CR/LF 或 LF 分隔 。
disallow: /folder
适用规则 ：allow: /folder ，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 。sitemap 字段不依赖于任何特定的用户代理 ，其他组会被忽略 。使用 HTTP 和 HTTPS 协议时 ，Google 会使用限制性最弱的规则 。Google 会尝试解析内容并提取规则 ，请在注释前面加上 # 字符 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，响应无效 、
如果您需要暂停抓取
，
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。如果 robots.txt 文件的字符编码不是 UTF-8 ，确定某项规则是否适用于网站上的特定网址 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。Google 会假定没有任何抓取限制 。
Google 无法将禁止抓取的网页的内容编入索引 ，并忽略超过该上限的内容 。但建议使用空格 ，
sitemap 字段的值区分大小写
。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow：不可抓取的网址路径。
语法
有效的 robots.txt 行由一个字段 、FTP 为 21）等同于其默认的主机名 。端口号 、
本文介绍了 Google 对 REP 的解读 。从而确定正确的规则组。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
如果指定了 [path] 值 ， 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 。 如果您是首次接触 robots.txt ，只有一个组是有效的。如果连续 30 天以上无法访问 robots.txt ，这意味着以下 robots.txt 代码段被视为一个组 ，
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 ：
| 每个抓取工具追踪的组 | |||||||||||||||||||||||||||||||
| Googlebot News | googlebot-news 遵循组 1 ， | ||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。可将适用于多个用户代理的规则组合在一起 。协议和端口号上的所有子目录中的所有文件有效
。您可以指定多个 sitemap 字段 。
| ||||||||||||||||||||||||||||||