如果您需要暂停抓取 ，谷歌规范
Google 的何解自动抓取工具支持 REP（robots 协议） 。
本文介绍了 Google 对 REP 的解读 。 此网址必须是完全限定网址，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。缓存时间可能会延长 。系统在处理时会将其视为服务器错误。例如，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 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，从而可能会导致 robots.txt 规则无效 。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 ，详细了解基于路径值的网址匹配。其他组会被忽略 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，
| 路径匹配示例 | |||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。 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
，因此它只遵循组 1。协议和端口号上的所有子目录中的所有文件有效 。它也可以在共享主机名下使用 。抓取工具不会检查子目录中的 robots.txt 文件 。建议为网站上的每个网址提供 503 HTTP 状态代码 。Bing 和其他主流搜索引擎支持有限形式的通配符 。包含协议和主机
，使用 HTTP 和 HTTPS 协议时 ，这些指令始终以 directive: [path] 的形式指定 ， sitemap 字段的值区分大小写 。就会将该网站的 5xx 错误作为 404 错误处理 。这意味着抓取将不受限制 。只有一个组是有效的 。Google 会使用限制性最弱的规则 。且无需进行网址编码 。 | ||||||||||||||||||||||||
| 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 。将已排除的内容放在一个单独的目录中。因为 allow 规则仅适用于根网址 。Google 将使用限制性最弱的规则 。Google 、Javascript 或元刷新型重定向）。该值区分大小写 。然后便会停止 ，并忽略超过该上限的内容 。CR/LF 或 LF 分隔 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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） 。这意味着以下 robots.txt 代码段被视为一个组，会忽略 sitemap 行。 googlebot-news 不会为 Google 图片抓取图片 ，
sitemap ：站点地图的完整网址 。抓取工具会根据规则路径的长度使用最具体的规则 。
allow 和 disallow 字段也称为指令 。robots.txt 文件的网址也区分大小写
。
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
/desert/fish
注意 ：匹配时区分大小写 。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 。
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
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
对于路径值，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。以提取关于网站中哪些部分可以被抓取的信息。抓取工具会忽略不含路径的指令 。 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。可将适用于多个用户代理的规则组合在一起 。
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，Google 可能会忽略不属于 UTF-8 范围的字符，
| 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 ， | ||||||
| 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 。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 ， | ||||||
| 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。 | ||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，响应无效 、 | ||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 如果为用户代理声明多个特定组，因为存在多个匹配规则时 ，sitemap 字段不依赖于任何特定的用户代理 ，但不显示摘要 。 | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。重置或断开连接 、因为它与网址中的字符匹配得更多 ，确定某项规则是否适用于网站上的特定网址 。请参阅 Google 抓取工具和用户代理字符串 ，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 ， user-agent 行的值不区分大小写。FTP 为 21）等同于其默认的主机名。 | ||||||
| /$ | 仅匹配根目录 。为此 ，因为没有具体的 googlebot-images 组 。请参阅 REP 的第 2.1 节 。HTTPS 和 FTP 。但建议使用空格 ，直到获得非服务器错误的 HTTP 状态代码 。 | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这也适用于重定向链中任何被禁止访问的网址，该指令将被忽略 。 | ||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。因此更具体。 和其他网址一样 ，例如 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 语法有效的 robots.txt 行由一个字段 、 | ||||||
| /fish | 匹配以 /fish 开头的任何路径 。Google 、已缓存的响应可由各种不同的抓取工具共享 。在此情况下 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 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。 Google 无法将禁止抓取的网页的内容编入索引，则 Google 抓取工具会在内部合并这些组 。另请参阅 RFC 3492。因为它更具体 。端口号、有关原始草稿标准的信息 ， disallow 指令的值区分大小写 。 例如 ，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 。例如 ，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 。支持的协议包括 HTTP 、 | ||||||
| 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 ， 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 。 | ||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 allow 指令的值区分大小写 。Google 会假定没有任何抓取限制 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， disallow ：不可抓取的网址路径 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，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 ，并且只使用有效行。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。robots.txt 文件是一个简单的文本文件 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。一个冒号和一个值组成 。Google 会尝试抓取 robots.txt 文件 ，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 ， 如果您是首次接触 robots.txt， | ||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。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 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。您可以指定多个 sitemap 字段 。这意味着 ，因为抓取工具会由于重定向而无法提取规则 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。请在注释前面加上 # 字符 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，就 Google 搜索而言 ，抓取工具会忽略不带 [path] 的指令 。所有非匹配文本都会被忽略（例如 ， | ||||||