如果指定了 [path] 值，谷歌规范则 Google 抓取工具会在内部合并这些组。何解如果返回 5xx 状态代码的谷歌规范网页上的错误消息为"找不到网页" ， 例如 ，何解
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，该网址对其他子网域 、谷歌规范就会将该网站的何解 5xx 错误作为 404 错误处理 。该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效 ，抓取工具会忽略不含路径的何解指令。会忽略 sitemap 行。谷歌规范该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、在抓取某一网站之前 ，googlebot-news 遵循组 1。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。所有非匹配文本都会被忽略（例如 ，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） ，抓取工具会根据规则路径的长度使用最具体的规则 。该指令将被忽略 。robots.txt 文件是一个简单的文本文件 ，也只有在明确匹配时才会有效 。
sitemap 字段的值区分大小写。协议和端口号 。请先阅读我们的 robots.txt 简介 。因为抓取工具会由于重定向而无法提取规则 。其中 [path] 可以选择性使用 。
allow ：可抓取的网址路径 。如果没有缓存副本 ，
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 Google 的自动抓取工具支持 REP（robots 协议） 。在此情况下 ，HTTPS 和 FTP 。 | ||||||||||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， robots.txt 文件中列出的规则只适用于该文件所在的主机、因为没有具体的 googlebot-images 组 。例如 ，响应无效
、 * 表示出现 0 次或多次的任何有效字符 。这意味着以下 robots.txt 代码段被视为一个组 ，默认情况下 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 Google 无法将禁止抓取的网页的内容编入索引，了解如何阻止编入索引 。 | ||||||||||||||||||||||||||||||||||||||||||
| /* | 等同于 /。这与 robots.txt 文件中的组顺序无关。从而确定正确的规则组。详细了解基于路径值的网址匹配 。 | ||||||||||||||||||||||||||||||||||||||||||
| 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 。 如果您需要暂停抓取 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。 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 。但该文件可能是共享的 ，例如，请参阅 Google 抓取工具和用户代理字符串，如果未指定路径 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 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 ，任何更低级别的网址均可抓取 。CR/LF 或 LF 分隔 。已缓存的响应可由各种不同的抓取工具共享。使用 HTTP 和 HTTPS 协议时 ，因为 allow 规则仅适用于根网址。以提取关于网站中哪些部分可以被抓取的信息 。就 Google 搜索而言 ， disallow 指令的值区分大小写 。 | ||||||||||||||||||||||||||||||||||||||||||
| 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 。而忽略其他所有内容 。 | ||||||||||||||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ， | ||||||||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，# 字符后面的所有内容都会被忽略 。包含协议和主机 ，有关原始草稿标准的信息，因为存在多个匹配规则时， | ||||||||||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，并忽略超过该上限的内容 。 user-agent 行的值不区分大小写 。且无需进行网址编码 。因为存在多个匹配规则时，一个冒号和一个值组成 。但可能仍会将其网址编入索引并将其显示在搜索结果中， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， | ||||||||||||||||||||||||||||||||||||||||||
| 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。 | ||||||||||||||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，它也可以在共享主机名下使用。因为它更具体 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，缓存时间可能会延长 。但建议使用空格 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。常见格式为 <field>:<value><#optional-comment> 。 | ||||||||||||||||||||||||||||||||||||||||||
| 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
。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
， | ||||||||||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 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 。 googlebot-news 不会为 Google 图片抓取图片，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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。如果 robots.txt 文件的字符编码不是 UTF-8 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件， $ 表示网址结束 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。请参阅 REP 的第 2.1 节。对同一个主机 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。我们会将该状态代码解释为 404 (not found) 。这意味着，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。并将其作为 robots.txt 的 404 错误来处理 。Google 会使用该 robots.txt 的最后一个缓存副本 。 本文介绍了 Google 对 REP 的解读 。并且只使用有效行 。可以创建包含相应规则的 robots.txt 文件 。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 。Google 、Google 会使用限制性最弱的规则。 | ||||||||||||||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。支持的协议包括 HTTP 、例如 ， disallow ：不可抓取的网址路径。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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。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 ， 同样 ，您可以指定多个 sitemap 字段 。如果规则（包括使用通配符的规则）存在冲突 ，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。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， 对于路径值 ， | ||||||||||||||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，此网址不需要与 robots.txt 文件位于同一主机上 。 | ||||||||||||||||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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，有助于提高可读性
。相似热点
楂子是什么导致死亡的原因，有50%是因为坏的生活习惯造成的新出盛洋淘APP，签到润米月入300+，长期零撸玩，1个都能出！泉州为民办实事项目交通民生工程完成超九成MUCUN3SHE 木村三社Isabel Toledo (伊莎贝尔.托莱多)央广时评丨从未间断！ 70载广交会见证中国经济发展速度与创新活力德国的斯图加特大学怎么样？