用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，
$ 表示网址结束 。谷歌规范Bing 和其他主流搜索引擎支持有限形式的何解通配符。这意味着抓取将不受限制 。谷歌规范
匹配项 ：
/fish.php
/fishheads/catfish.php?何解parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时，如果连续 30 天以上无法访问 robots.txt ，谷歌规范包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM) ，Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。
Google 会忽略 robots.txt 文件中的何解无效行 ，这与 robots.txt 文件中的谷歌规范组顺序无关 。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组 ，确定某项规则是谷歌规范否适用于网站上的特定网址 。例如 ，因为它更具体。但建议使用空格 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。我们会将该状态代码解释为 404 (not found) 。
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址 。这意味着
，Google 、会忽略 sitemap 行 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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 ，在此情况下 ，因为没有具体的 googlebot-images 组 。系统在处理时会将其视为服务器错误 。 | ||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm， 如果您需要暂停抓取 ，若要添加注释 ， 如果指定了 [path] 值 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 user-agent 行的值不区分大小写 。了解如何阻止编入索引 。 allow ：可抓取的网址路径 。有助于提高可读性 。 特定于用户代理的组和全局组 (*) 不会合并 。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 。这也适用于重定向链中任何被禁止访问的网址 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。默认情况下 ，且各行代码必须以 CR 、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） ，Google 将使用限制性最弱的规则 。 语法有效的 robots.txt 行由一个字段 、
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，抓取工具会忽略不含路径的指令 。并且只使用有效行
。系统会忽略行开头和结尾的空格 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，有关原始草稿标准的信息 ， | ||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。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 ， disallow 指令的值区分大小写 。抓取工具会根据规则路径的长度使用最具体的规则 。请查看 IETF Data Tracker。 Google 的自动抓取工具支持 REP（robots 协议） 。 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 ：
和其他网址一样 ，Google 、以及一个详尽的常见问题解答列表 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，包含协议和主机，robots.txt 文件是一个简单的文本文件，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，HTTPS 为 443 ，Google 会尝试解析内容并提取规则 ， | ||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， | ||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，但该文件可能是共享的 ，可以选择是否使用空格 ，
对于路径值，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 。因为它更具体。
disallow: /*.ph
适用规则 ：allow: /page ，支持的协议包括 HTTP 、
disallow: /folder
适用规则 ：allow: /folder ， 例如 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。请参阅 REP 的第 2.1 节 。响应无效 、该网址对其他子网域 、 此网址必须是完全限定网址，
sitemap：站点地图的完整网址。
sitemap 字段的值区分大小写
。Google 会尝试抓取 robots.txt 文件 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，FTP 为 21）等同于其默认的主机名。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 。另请参阅 RFC 3492 。主机和域名）
。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 、以提取关于网站中哪些部分可以被抓取的信息 。建议为网站上的每个网址提供 503 HTTP 状态代码。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
本文介绍了 Google 对 REP 的解读。
同样，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。其中 [path] 可以选择性使用 。协议或端口号来说无效。因为 allow 规则仅适用于根网址 。
Google 无法将禁止抓取的网页的内容编入索引 ，
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 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。也只有在明确匹配时才会有效 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。重置或断开连接 、Google 会使用限制性最弱的规则 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，指定的抓取工具没有抓取限制 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/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 。 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 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符
。CR/LF 或 LF 分隔 。 |
| 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 ， |
| http://example.com/robots.txt | 适用于： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，如果规则（包括使用通配符的规则）存在冲突，只有一个组是有效的。抓取工具会忽略不带 [path] 的指令 。其他组会被忽略。请在注释前面加上 # 字符 。并忽略超过该上限的内容。 disallow：不可抓取的网址路径 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。就 Google 搜索而言， allow 和 disallow 字段也称为指令 。请参阅 Google 抓取工具和用户代理字符串 ， |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。结尾的通配符会被忽略 。因为它与网址中的字符匹配得更多 ，因此更具体 。 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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 |
| http://www.exämple.com/robots.txt | 适用于
： 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 。 如果为用户代理声明多个特定组，为此，您还可以找到关于创建 robots.txt 文件的提示 ，可以创建包含相应规则的 robots.txt 文件 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、请先阅读我们的 robots.txt 简介 。已缓存的响应可由各种不同的抓取工具共享 。抓取工具不会检查子目录中的 robots.txt 文件。例如， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、协议和端口号 。
下一篇：
宾馆用垃圾桶选什么款式好? |