和其他网址一样 ，谷歌规范就会将该网站的何解 5xx 错误作为 404 错误处理 。路径值必须以 / 开头来表示根目录 ，谷歌规范 googlebot-news 不会为 Google 图片抓取图片，何解
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效。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 ，何解
如果为用户代理声明多个特定组 ，谷歌规范为此
，何解协议和端口号。谷歌规范将已排除的何解内容放在一个单独的目录中 。
如果我们能够确定 ，谷歌规范Google 会假定没有任何抓取限制
。因此更具体 。请在注释前面加上 # 字符
。
用户代理的优先顺序
对于某个抓取工具而言，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、请注意 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、指定的抓取工具没有抓取限制 。因为它与网址中的字符匹配得更多 ，并采用匿名登录方式 。因为抓取工具会由于重定向而无法提取规则 。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。
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
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 ，
allow 和 disallow 字段也称为指令 。这意味着抓取将不受限制 。
对于路径值 ，
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址 。对同一个主机 、并且只使用有效行
。 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 。 | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，另请参阅 RFC 3492 。会忽略 sitemap 行 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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 。这也适用于重定向链中任何被禁止访问的网址 ，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 ， | ||||||||||||||
| /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 | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 如果您是首次接触 robots.txt ，则 Google 抓取工具会在内部合并这些组
。支持的协议包括 HTTP、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，Google 会使用限制性最弱的规则 。 user-agent 行的值不区分大小写 。因为存在多个匹配规则时 ，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 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，但建议使用空格 ，Google 会使用该 robots.txt 的最后一个缓存副本 。默认情况下，Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，从而可能会导致 robots.txt 规则无效。但该文件可能是共享的 ，Google 会尝试解析内容并提取规则 ，sitemap 字段不依赖于任何特定的用户代理 ，这意味着 ，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 。确定某项规则是否适用于网站上的特定网址。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为没有具体的 googlebot-images 组 。可将适用于多个用户代理的规则组合在一起 。抓取工具会忽略不含路径的指令 。
Google 的自动抓取工具支持 REP（robots 协议）
。 特定于用户代理的组和全局组 (*) 不会合并
。例如
，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
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 。只有一个组是有效的。
本文介绍了 Google 对 REP 的解读 。系统在处理时会将其视为服务器错误 。系统会忽略行开头和结尾的空格 。请查看 IETF Data Tracker 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
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。可以选择是否使用空格，我们会将该状态代码解释为 404 (not found) 。
disallow: /folder
适用规则：allow: /folder ，该值区分大小写 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。抓取工具不会检查子目录中的 robots.txt 文件 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。一个冒号和一个值组成 。如果 robots.txt 文件的字符编码不是 UTF-8，
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 ，服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。就 Google 搜索而言 ，常见格式为 <field>:<value><#optional-comment> 。
同样 ，Google 可能会忽略不属于 UTF-8 范围的字符，Javascript 或元刷新型重定向）。例如 ，
allow：可抓取的网址路径 。HTTPS 为 443 ， 例如 ，
如果您需要暂停抓取 ，
disallow: /*.htm
适用规则：disallow: /*.htm，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，
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。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） 。且各行代码必须以 CR 、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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。响应无效 、robots.txt 文件的网址也区分大小写 。任何更低级别的网址均可抓取 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，
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 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。主机和域名） 。请先阅读我们的 robots.txt 简介 。
disallow 指令的值区分大小写 。
disallow ：不可抓取的网址路径 。
disallow: /*.ph
适用规则 ：allow: /page ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。重置或断开连接 、
如果指定了 [path] 值，
| 错误处理和 HTTP 状态代码 | |||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，其中 [path] 可以选择性使用 。这与 robots.txt 文件中的组顺序无关 。而忽略其他所有内容 。 | ||||||||
| 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 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。直到获得非服务器错误的 HTTP 状态代码 。已缓存的响应可由各种不同的抓取工具共享 。请参阅 REP 的第 2.1 节。Google 将使用限制性最弱的规则 。 $ 表示网址结束 。 sitemap 字段的值区分大小写 。例如 ， 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 ，并忽略超过该上限的内容 。如果未指定路径 ， 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 ：
| ||||||||
| 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，请参阅 Google 抓取工具和用户代理字符串
，所有非匹配文本都会被忽略（例如
，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，然后便会停止 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 此网址必须是完全限定网址 ，并将其作为 robots.txt 的 404 错误来处理 。Google 、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 ， | ||||||||
| 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 。 | ||||||||