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。
robots.txt 文件应位于网站的根目录下。因此，对于网站 www.example.com，robots.txt 文件的路径应为 www.example.com/robots.txt。robots.txt 是一种遵循漫游器排除标准的纯文本文件，由一条或多条规则组成。每条规则可禁止或允许所有或特定抓取工具抓取托管 robots.txt 文件的网域或子网域上的指定文件路径。除非您在 robots.txt 文件中另行指定，否则所有文件均隐式允许抓取。
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: https://www.example.com/sitemap.xml
以下是该 robots.txt 文件的含义：
- 名为 Googlebot 的用户代理不能抓取任何以 https://example.com/nogooglebot/ 开头的网址。
- 其他所有用户代理均可抓取整个网站。不指定这条规则也无妨，结果是一样的；默认行为是用户代理可以抓取整个网站。
- 该网站的站点地图文件路径为 https://www.example.com/sitemap.xml。
如需查看更多示例，请参阅语法部分。
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，需要完成 4 个步骤：
- 创建一个名为 robots.txt 的文件。
- 向 robots.txt 文件添加规则。
- 将 robots.txt 文件上传到网站的根目录。
- 测试 robots.txt 文件。
1.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。例如，Notepad、TextEdit、vi 和 emacs 可用来创建有效的 robots.txt 文件。请勿使用文字处理软件，因为此类软件通常会将文件保存为专有格式，且可能会向文件中添加非预期的字符（如弯引号），这样可能会给抓取工具带来问题。如果保存文件时出现相应系统提示，请务必使用 UTF-8 编码保存文件。
格式和位置规则：
- 文件必须命名为 robots.txt。
- 网站只能有 1 个 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。例如，若要控制对 https://www.example.com/ 下所有网址的抓取，就必须将 robots.txt 文件放在 https://www.example.com/robots.txt 下，一定不能将其放在子目录中（例如 https://example.com/pages/robots.txt 下）。如果您不确定如何访问自己的网站根目录，或者需要相应权限才能访问，请与网站托管服务提供商联系。如果您无法访问网站根目录，请改用其他屏蔽方法（例如 meta 标记）。
- robots.txt 文件可以位于子网域（例如 https://site.example.com/robots.txt）或非标准端口（例如 https://example.com:8181/robots.txt）上。
- robots.txt 文件仅适用于所在的协议、主机和端口内的路径。也就是说，https://example.com/robots.txt 中的规则仅适用于 https://example.com/ 中的文件，而不适用于子网域（如 https://m.example.com/）或备用协议（如 http://example.com/）。
- robots.txt 文件必须是采用 UTF-8 编码（包括 ASCII）的文本文件。Google 可能会忽略不属于 UTF-8 范围的字符，从而可能会导致 robots.txt 规则无效。
2.如何编写robots.txt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 robots.txt 文件中添加规则时，请遵循以下准则：
- robots.txt 文件由一个或多个组（一组规则）组成。
- 每个组由多条规则（也称为指令）组成，每条规则各占一行。每个组都以 User-agent 行开头，该行指定了组适用的目标。
- 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。
- 代理无法访问的目录或文件。
- 抓取工具会按从上到下的顺序处理组。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）。如果同一用户代理有多个组，这些组会在处理之前合并到一个组中。
- 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。
- 规则区分大小写。例如，disallow: /file.asp 适用于 https://www.example.com/file.asp，但不适用于 https://www.example.com/FILE.asp。
- # 字符表示注释的开始处。在处理过程中，系统会忽略注释。
Google 的抓取工具支持 robots.txt 文件中的以下规则： #
- user-agent: [必需，每个组需含一个或多个 User-agent 条目] 该规则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。这是每个规则组的首行内容。Google 用户代理列表中列出了 Google 用户代理名称。使用星号 (*) 会匹配除各种 AdsBot 抓取工具之外的所有抓取工具，AdsBot 抓取工具必须明确指定。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 crawlers except AdsBot (AdsBot crawlers must be named explicitly) 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）。如果规则引用了某个网页，则必须提供浏览器中显示的完整网页名称。它必须以 / 字符开头；如果它引用了某个目录，则必须以 / 标记结尾。
- 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）。此规则用于替换 disallow 规则，从而允许抓取已禁止访问的目录中的子目录或网页。对于单个网页，请指定浏览器中显示的完整网页名称。它必须以 / 字符开头；如果它引用了某个目录，则必须以 / 标记结尾。
- sitemap: [可选，每个文件可含零个或多个 sitemap 条目] 相应网站的站点地图的位置。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、https、www、非 www 网址变体。站点地图是一种用于指示 Google 应抓取哪些内容的理想方式，但并不用于指示 Google 可以抓取或不能抓取哪些内容。详细了解站点地图。 示例：
Sitemap: https://example.com/sitemap.xml Sitemap: https://www.example.com/sitemap.xml
除 sitemap 之外的所有规则都支持使用通配符 * 表示路径前缀、后缀或整个字符串。
与这些规则均不匹配的行将被忽略。
如需有关每个规则的完整说明，请参阅 Google 对 robots.txt 规范的解释页面。
3.上传 robots.txt 文件 #
将 robots.txt 文件保存到计算机后，您便可以将其提供给搜索引擎抓取工具。没有一个统一工具可以帮助您完成这项工作，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。请与您的托管公司联系，或在托管公司的文档中进行搜索；例如，搜索“上传文件 infomaniak”。
上传 robots.txt 文件后，请测试该文件是否可公开访问，以及 Google 能否解析该文件。
4.测试 robots.txt 标记 #
要测试新上传的 robots.txt 文件是否可公开访问，请在浏览器中打开无痕浏览窗口（或等效窗口），然后转到 robots.txt 文件的位置。例如 https://example.com/robots.txt。如果您看到 robots.txt 文件的内容，就可准备测试标记了。
Google 提供了两种修复 robots.txt 标记相关问题的方式：
- Search Console 中的 robots.txt 报告。您只能针对您网站上可供访问的 robots.txt 文件使用此报告。
- 如果您是开发者，请了解并构建 Google 的开源 robots.txt 库，该库也用在 Google 搜索中。您可以使用此工具在计算机上本地测试 robots.txt 文件。
向 Google 提交 robots.txt 文件 #
在您上传并测试 robots.txt 文件后，Google 的抓取工具会自动找到并开始使用您的 robots.txt 文件。您无需采取任何操作。如果您更新了 robots.txt 文件，并需要尽快刷新 Google 的缓存副本，请了解如何提交更新后的 robots.txt 文件。
实用的 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，Google 即使未抓取网站中的网址，仍可能将其编入索引。
User-agent: * Disallow: / |
| 禁止抓取某一目录及其内容 | 在目录名后添加一道正斜线，即可禁止抓取整个目录。
User-agent: * Disallow: /calendar/ Disallow: /junk/ Disallow: /books/fiction/contemporary/ |
| 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。
User-agent: Googlebot-news Allow: / User-agent: * Disallow: / |
| 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，所有其他漫游器都可以。
User-agent: Unnecessarybot Disallow: / User-agent: * Allow: / |
| 禁止抓取某一网页 | 例如，禁止抓取位于 https://example.com/useless_file.html 的 useless_file.html 页面和 junk 目录中的 other_useless_file.html。
User-agent: * Disallow: /useless_file.html Disallow: /junk/other_useless_file.html |
| 禁止抓取除子目录以外的整个网站 | 抓取工具只能访问 public 子目录。
User-agent: * Disallow: / Allow: /public/ |
| 禁止Google图片访问某一特定图片 | 例如，禁止访问 dogs.jpg 图片。
User-agent: Googlebot-Image Disallow: /images/dogs.jpg |
| 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，则 Google 无法将其编入索引。
User-agent: Googlebot-Image Disallow: / |
| 禁止抓取某一特定文件类型的文件 | 例如，禁止抓取所有 .gif 文件。
User-agent: Googlebot Disallow: /*.gif$ |
| 禁止抓取整个网站，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，但 Mediapartners-Google 网页抓取工具仍能分析这些网页，以确定要向访问您网站的用户显示哪些广告。
User-agent: * Disallow: / User-agent: Mediapartners-Google Allow: / |
| 使用 * 和 $ 通配符匹配以特定字符串结尾的网址 | 例如，禁止抓取所有 .xls 文件。
User-agent: Googlebot Disallow: /*.xls$ |
