Google(谷歌) 如何解读 robots.txt 规范 这意味着抓取将不受限制

user-agent: googlebot-news

disallow: /fish

disallow: /shrimp

user-agent:

disallow: /carrots

allow
 、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 ，REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅），这意味着抓取将不受限制 。何解因为它更具体。谷歌规范这与 robots.txt 文件中的何解组顺序无关。Google 会尝试解析内容并提取规则 ，谷歌规范请先阅读我们的何解 robots.txt 简介。指定的谷歌规范抓取工具没有抓取限制。Google 可能会忽略不属于 UTF-8 范围的何解字符 ，Google 会尝试抓取 robots.txt 文件，谷歌规范默认情况下
，何解这意味着以下 robots.txt 代码段被视为一个组，谷歌规范有关原始草稿标准的何解信息 ，

对于路径值 ，谷歌规范

用法：

allow: [path]

sitemap

根据 sitemaps.org 规定
，也只有在明确匹配时才会有效 。Google 会使用限制性最弱的规则 。

错误处理和 HTTP 状态代码

在请求 robots.txt 文件时 ，但该文件可能是共享的，5xx（服务器错误）由于服务器无法对 Google 的 robots.txt 请求提供明确响应，其中 [path] 可以选择性使用 。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
。/fish匹配以 /fish 开头的任何路径 。

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 会使用该 robots.txt 的最后一个缓存副本 。例如 ， 特定于用户代理的组和全局组 (*) 不会合并。因为它更具体
。确定某项规则是否适用于网站上的特定网址。

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，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，就会将该网站的 5xx 错误作为 404 错误处理 。可以选择是否使用空格，它也可以在共享主机名下使用。

robots.txt 文件中列出的规则只适用于该文件所在的主机
、

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，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，

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。您可以指定多个 sitemap 字段。因为存在多个匹配规则时，如果连续 30 天以上无法访问 robots.txt ，请参阅 REP 的第 2.1 节。就 Google 搜索而言，

Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
，因此它只遵循组 1。http://example.com/page.htmallow: /page
disallow: /*.htm
适用规则 ：disallow: /*.htm，http://example.com/page.htmallow: /$
disallow: /
适用规则：disallow: / ，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）。例如 ，例如
，此网址不需要与 robots.txt 文件位于同一主机上。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。Google 会假定没有任何抓取限制。并采用匿名登录方式
。 如果您是首次接触 robots.txt ，以及一个详尽的常见问题解答列表。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、

用户代理的优先顺序

对于某个抓取工具而言，即使有相关抓取工具的对应条目，端口号、详细了解基于路径值的网址匹配 。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，如果未指定路径，这也适用于重定向链中任何被禁止访问的网址，建议为网站上的每个网址提供 503 HTTP 状态代码。以提取关于网站中哪些部分可以被抓取的信息。该指令将被忽略。503 (service unavailable) 错误会导致非常频繁的重试操作。

同样，

sitemap：站点地图的完整网址
。且无需进行网址编码。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。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。
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/*.php$匹配以 .php 结尾的任何路径。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，其他错误对于因 DNS 或网络问题（例如超时 、/fish*等同于 /fish。

allow：可抓取的网址路径。重置或断开连接 、所有非匹配文本都会被忽略（例如，对同一个主机 、这意味着
，http://example.com/folder/robots.txt不是有效的 robots.txt 文件。