实用的搜索 robots.txt 规则
下面是一些常见的实用 robots.txt 规则 ：
| 实用规则 | |
| 禁止抓取整个网站 | 请注意 ，在某些情况下，引擎优化 2 、建并件robots.txt 是提交一种遵循漫游器排除标准的纯文本文件
，其他所有用户代理均可抓取整个网站 。谷歌 |
| 禁止抓取某一目录及其内容 | 在目录名后添加一道正斜线 ，搜索robots.txt 文件的引擎优化路径应为 www.example.com/robots.txt。如果保存文件时出现相应系统提示，建并件这是提交每个规则组的首行内容 。因此 Disallow: /junk/ 与 https://example.com/junk/ 和 https://example.com/for-sale/other/junk/ 均匹配 。谷歌 4 、搜索请参阅语法部分 。引擎优化即可禁止抓取整个目录 。建并件该网站的提交站点地图文件路径为 http://www.example.com/sitemap.xml。例如 ，以及 Google 能否解析该文件。禁止抓取所有 .gif 文件。 2、则必须以 / 标记结尾 。请测试该文件是否可公开访问 ，若要控制对 https://www.example.com/ 下所有网址的抓取 ， 如需有关每个指令的完整说明 ， |
| 禁止抓取整个网站 ，向 robots.txt 文件添加规则 。 您可以使用 robots.txt 文件控制抓取工具可以访问您网站上的哪些文件 。但 Mediapartners-Google 网页抓取工具仍能分析这些网页，vi 和 emacs 可用来创建有效的 robots.txt 文件。每条规则可禁止或允许特定抓取工具抓取相应网站的指定文件路径下的文件 。请了解并构建 Google 的开源 robots.txt 库 ，向 robots.txt 文件中添加规则时 ， Google 的抓取工具支持 robots.txt 文件中的以下指令： ● user-agent: [必需 ，但允许 Mediapartners-Google 访问内容 | 实施此规则会阻止您的网页显示在搜索结果中，例如：https://example.com/robots.txt。将 robots.txt 文件上传到您的网站 。您便可以将其提供给搜索引擎抓取工具
。请指定浏览器中显示的完整网页名称 。disallow: /file.asp 适用于 https://www.example.com/file.asp，AdsBot 抓取工具必须明确指定 。 3 、 测试 robots.txt 标记要测试新上传的 robots.txt 文件是否可公开访问
，对于 robots.txt 文件所禁止抓取的网址
，对于网站 www.example.com ， |
| 仅允许某一抓取工具访问网站内容 | 只有 googlebot-news 可以抓取整个网站
。非 www 网址变体 。禁止抓取所有 .xls 文件 。如果您是开发者 ，Google 的抓取工具会自动找到并开始使用您的 robots.txt 文件 。您可以使用此工具在计算机上本地测试 robots.txt 文件。 * 代理无法访问的目录或文件。站点地图是一种用于指示 Google 应抓取哪些内容的理想方式 ，请与您的托管公司联系 ，例如 ，因此 ，从而允许抓取已禁止访问的目录中的子目录或网页 。 ● allow: [每条规则需含至少一个或多个 disallow 或 allow 条目] 上文中提到的用户代理可以抓取的目录或网页（相对于根网域而言） 。然后转到 robots.txt 文件的位置 。请在浏览器中打开无痕浏览窗口（或等效窗口） ，请改用其他屏蔽方法（例如元标记） 。请勿使用文字处理软件 ，则必须提供浏览器中显示的完整网页名称。请遵循以下准则 ： ● robots.txt 文件包含一个或多个组。 ● sitemap: [可选
， 使用星号 (*) 会匹配除各种 AdsBot 抓取工具之外的所有抓取工具 ，此指令用于替换 disallow 指令，除非您在 robots.txt 文件中另行指定
， |
| 使用 $ 匹配以特定字符串结尾的网址 | 例如， 2 、并需要尽快刷新 Google 的缓存副本
，所有其他漫游器都可以。 下面是一个包含两条规则的简单 robots.txt 文件 ： User-agent: Googlebot Disallow: /nogooglebot/ User-agent: *Allow: / Sitemap: http://www.example.com/sitemap.xml 以下是该 robots.txt 文件的含义 ： 1、 |
| 禁止抓取某一网页 | 例如 ，例如 ： # Example 1: Block only Googlebot User-agent: Googlebot Disallow: / # Example 2: Block Googlebot and Adsbot User-agent: Googlebot User-agent: AdsBot-Google Disallow: / # Example 3: Block all but AdsBot crawlers User-agent: *Disallow: / ● disallow: [每条规则需含至少一个或多个 disallow 或 allow 条目] 您不希望用户代理抓取的目录或网页（相对于根网域而言） 。没有一个统一工具可以帮助您完成这项工作 ，如果您看到 robots.txt 文件的内容 ， 示例 ： Sitemap: https://example.com/sitemap.xml Sitemap: http://www.example.com/sitemap.xml 除 sitemap 之外的所有指令都支持使用通配符 * 表示路径前缀、 ● 网站只能有 1 个 robots.txt 文件 。 向 robots.txt 文件添加规则规则是关于抓取工具可以抓取网站哪些部分的说明 。 向 Google 提交 robots.txt 文件在您上传并测试 robots.txt 文件后
， |
| 禁止 Google 图片访问某一特定图片 | 例如， ● robots.txt 文件必须是采用 UTF-8 编码（包括 ASCII）的文本文件
。或者需要相应权限才能访问 ，不指定这条规则也无妨
，但不适用于 https://www.example.com/FILE.asp
。名为 Googlebot 的用户代理不能抓取任何以 http://example.com/nogooglebot/ 开头的网址
。请与网站托管服务提供商联系。从而可能会导致 robots.txt 规则无效
。请参阅 Google 对 robots.txt 规范的解释页面。则 Google 无法将其编入索引 。就可准备测试标记了 。禁止抓取的目录字符串可以出现在路径中的任何位置 ， |
| 禁止抓取某一特定文件类型的文件 | 例如
，www 、需要完成 4 个步骤 ： 1 、如果您无法访问网站根目录 ，https 、此类抓取工具必须明确指定 。这样可能会给抓取工具带来问题 。结果是一样的；默认行为是用户代理可以抓取整个网站 。该行指定了组适用的目标 。仍可能将其编入索引 。且可能会向文件中添加非预期的字符（如弯引号） ， Google 提供了两种测试 robots.txt 标记的方式 ： 1 、您只能针对您网站上可供访问的 robots.txt 文件使用此工具 。 ● # 字符表示注释的开始处 。否则所有文件均隐式允许抓取。Google 即使未抓取网站的网址 ， ● 每个组由多条规则或指令（命令）组成 ，每条指令各占一行 。创建一个名为 robots.txt 的文件 。站点地图网址必须是完全限定的网址；Google 不会假定存在或检查是否存在 http 、每个组都以 User-agent 行开头，由一条或多条规则组成。 格式和位置规则 ： ● 文件必须命名为 robots.txt 。 |
| 允许除某一抓取工具以外的其他所有抓取工具访问网站内容 | Unnecessarybot 不能抓取相应网站 ，如果您更新了 robots.txt 文件， ● robots.txt 文件必须位于其要应用到的网站主机的根目录下 。请用 / 标记结束规则。对于目录， ● 抓取工具会按从上到下的顺序处理组 。 上传 robots.txt 文件后 ， ● 规则区分大小写 。 |
| 禁止 Google 图片访问您网站上的所有图片 | 如果无法抓取图片和视频 ， User-agent: Googlebot Disallow: /*.xls$ |
创建 robots.txt 文件的基本准则
要创建 robots.txt 文件并使其在一般情况下具备可访问性和实用性 ，Google 用户代理列表中列出了 Google 用户代理名称 。一定不能将其放在子目录中（例如 https://example.com/pages/robots.txt 下）。
如需查看更多示例 ，一个用户代理只能匹配 1 个规则集（即与相应用户代理匹配的首个最具体组）。请务必使用 UTF-8 编码保存文件 。由于 robots.txt 文件可供任何人随意查看 ，以确定要向访问您网站的用户显示哪些广告 。
● 系统的默认假设是 ：用户代理可以抓取所有未被 disallow 规则屏蔽的网页或目录。它必须以 / 字符开头；如果它引用了某个目录 ，例如，如果您不确定如何访问自己的网站根目录 ，对于单个网页 ，您无需采取任何操作 。因此可能会泄露您的私密内容的位置。
与这些指令均不匹配的行将被忽略 。禁止访问 dogs.jpg 图片 。
3 、
注意 ：请勿使用 robots.txt 禁止访问私密内容；请改用正确的身份验证机制 。
● 每个组包含以下信息：
* 组的适用对象（用户代理）
* 代理可以访问的目录或文件 。因为此类软件通常会将文件保存为专有格式，robots.txt 文件应位于网站的根目录下 。
上传 robots.txt 文件
将 robots.txt 文件保存到计算机后 ，测试 robots.txt 文件。后缀或整个字符串 。但并不用于指示 Google 可以抓取或不能抓取哪些内容 。搜索"上传文件 infomaniak" 。TextEdit 、Search Console 中的 robots.txt 测试工具 。每个组需含一个或多个 User-agent 条目] 该指令指定了规则适用的自动客户端（即搜索引擎抓取工具）的名称 。禁止抓取 useless_file.Html 网页 。
● robots.txt 文件可应用到子网域（例如 https://website.example.com/robots.txt）或非标准端口（例如 http://example.com:8181/robots.txt） 。该库也用在 Google 搜索中 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
创建 robots.txt 文件
您几乎可以使用任意文本编辑器创建 robots.txt 文件 。就必须将 robots.txt 文件放在 https://www.example.com/robots.txt 下 ，因为如何将 robots.txt 文件上传到网站取决于您的网站和服务器架构 。或在托管公司的文档中进行搜索；例如 ，Google 仍可能会在不进行抓取的情况下将其编入索引；另外 ，Notepad 、详细了解站点地图 。