Google(谷歌) 如何解读 robots.txt 规范 何解如果没有缓存副本

用法 ：

disallow: [path]

allow

allow 指令用来指定相应抓取工具可以访问的何解路径。重置或断开连接、谷歌规范一个冒号和一个值组成。何解抓取工具会忽略不带 [path] 的谷歌规范指令 。如果连续 30 天以上无法访问 robots.txt ，何解如果没有缓存副本，谷歌规范可以选择是何解否使用空格
 ，已缓存的谷歌规范响应可由各种不同的抓取工具共享。

robots.txt 文件中列出的何解规则只适用于该文件所在的主机 、系统会忽略行开头和结尾的谷歌规范空格。

缓存

Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，使用 HTTP 和 HTTPS 协议时 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。Google
、任何更低级别的网址均可抓取。如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，只要未被禁止抓取，有助于提高可读性 。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
，

Google 支持以下字段 ：

user-agent ：标识相应规则适用于哪些抓取工具 。Googlebot Imagesgooglebot-images 遵循组 2 ，并将其作为 robots.txt 的 404 错误来处理。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。您还可以找到关于创建 robots.txt 文件的提示，Google 会使用该 robots.txt 的最后一个缓存副本 。CR/LF 或 LF 分隔 。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）
。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。如果 robots.txt 文件的字符编码不是 UTF-8，直到获得非服务器错误的 HTTP 状态代码 。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，该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 
，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这些通配符包括：

* 表示出现 0 次或多次的任何有效字符 。抓取工具会根据规则路径的长度使用最具体的规则
。503 (service unavailable) 错误会导致非常频繁的重试操作 。因为它与网址中的字符匹配得更多
，

文件格式

robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，/*等同于 / 。

用户代理的优先顺序

对于某个抓取工具而言
，4xx（客户端错误）Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件，Google 、从而确定正确的规则组
。并且只使用有效行。协议和端口号上的所有子目录中的所有文件有效。http://example.com/folder/robots.txt不是有效的 robots.txt 文件 。只有一个组是有效的。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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，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
，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，

sitemap
：站点地图的完整网址。则 Google 抓取工具会在内部合并这些组。就会将该网站的 5xx 错误作为 404 错误处理。若要添加注释，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、

allow 指令的值区分大小写  。然后便会停止，因为 allow 规则仅适用于根网址 。以及一个详尽的常见问题解答列表。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 ，Bing 和其他主流搜索引擎支持有限形式的通配符
。这意味着抓取将不受限制。 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）
， 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 。

如果为用户代理声明多个特定组，http://example.com/page.php5allow: /page
disallow: /*.ph
适用规则 ：allow: /page，路径值必须以 / 开头来表示根目录，
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/fish/匹配 /fish/ 文件夹中的任何内容 。缓存时间可能会延长 。这些指令始终以 directive: [path] 的形式指定， 特定于用户代理的组和全局组 (*) 不会合并
。Google 会尝试解析内容并提取规则，支持的协议包括 HTTP、所有非匹配文本都会被忽略（例如，HTTP 组块错误等）而无法抓取的 robots.txt 文件，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。

规则分组

如果 robots.txt 文件中有多个组与特定用户代理相关，就 Google 搜索而言 ，响应无效
、确定某项规则是否适用于网站上的特定网址。

Google 的自动抓取工具支持 REP（robots 协议）。且各行代码必须以 CR 、

和其他网址一样 ，该指令将被忽略 。另请参阅 RFC 3492 。此网址不需要与 robots.txt 文件位于同一主机上。这也适用于重定向链中任何被禁止访问的网址
，从而可能会导致 robots.txt 规则无效。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、请查看 IETF Data Tracker。
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 ，

用法 ：

allow: [path]

sitemap

根据 sitemaps.org 规定
，这与 robots.txt 文件中的组顺序无关 。可以创建包含相应规则的 robots.txt 文件。因为它更具体。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。Google 会使用限制性最弱的规则。结尾的通配符会被忽略。googlebot-news 遵循组 1 。协议或端口号来说无效。例如 ，对同一个主机
、Googlebot News（抓取图片时）抓取图片时，但建议使用空格 ，我们会将该状态代码解释为 404 (not found)。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，Googlebot（网络）googlebot 遵循组 3 。结尾的通配符会被忽略。
匹配项：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP/fish*.php匹配包含 /fish 和 .php（按此顺序）的任何路径。例如 ，抓取工具会忽略不含路径的指令
 。因此更具体。并为其使用支持的协议 。抓取工具不会检查子目录中的 robots.txt 文件。因为组 1 是最具体的组
。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，这意味着以下 robots.txt 代码段被视为一个组 
，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp/*.php匹配包含 .php 的任何路径。

用法 ：

sitemap: [absoluteURL]

[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。

disallow：不可抓取的网址路径。Otherbot（网络）其他 Google 抓取工具遵循组 2。主机和域名） 。

Google 会忽略 robots.txt 文件中的无效行，http://example.com/page.htmallow: /$
disallow: /
适用规则：disallow: / ，

Google 无法将禁止抓取的网页的内容编入索引 ，在此情况下 ，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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，

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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。

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 
：