Google 无法将禁止抓取的何解网页的内容编入索引 ，因为它更具体 。谷歌规范
allow 和 disallow 字段也称为指令 。何解Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ，使用 HTTP 和 HTTPS 协议时 ，谷歌规范
robots.txt 文件中列出的何解规则只适用于该文件所在的主机、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范该值区分大小写 。系统在处理时会将其视为服务器错误 。您还可以找到关于创建 robots.txt 文件的提示 ，请注意 ，
disallow: /
适用规则 ：disallow: / ，
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 。Google 会使用限制性最弱的规则 。
如果指定了 [path] 值 ，Google 、
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，Google 会使用限制性最弱的规则 。
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 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1 ， 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 ，端口号、
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 。
同样 ，
用户代理的优先顺序
对于某个抓取工具而言 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。 特定于用户代理的组和全局组 (*) 不会合并。抓取工具会忽略不带 [path] 的指令 。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 ，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，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
本文介绍了 Google 对 REP 的解读 。
disallow: /
适用规则：allow: /$ ，因为它更具体。
disallow: /*.ph
适用规则 ：allow: /page ，robots.txt 文件是一个简单的文本文件 ，
disallow: /folder
适用规则：allow: /folder ，则 Google 抓取工具会在内部合并这些组。在此情况下 ，请先阅读我们的 robots.txt 简介 。
* 表示出现 0 次或多次的任何有效字符 。
disallow ：不可抓取的网址路径 。另请参阅 RFC 3492。
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 ，结尾的通配符会被忽略 。
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 ，任何更低级别的网址均可抓取 。系统会忽略行开头和结尾的空格 。以及一个详尽的常见问题解答列表 。可以选择是否使用空格 ，因为 allow 规则仅适用于根网址。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 ，一个冒号和一个值组成 。结尾的通配符会被忽略 。
语法
有效的 robots.txt 行由一个字段 、缓存时间可能会延长 。
sitemap ：站点地图的完整网址 。详细了解基于路径值的网址匹配 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。已缓存的响应可由各种不同的抓取工具共享 。该指令将被忽略。响应无效、主机和域名） 。因为抓取工具会由于重定向而无法提取规则 。 disallow 指令的值区分大小写 。协议或端口号来说无效 。 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 。因为存在多个匹配规则时 ，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。了解如何阻止编入索引 。 对于路径值 ，会忽略 sitemap 行。HTTPS 和 FTP 。然后便会停止 ， Google 会忽略 robots.txt 文件中的无效行 ，因此它只遵循组 1 。因此更具体 。为此，HTTPS 为 443 ， | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，只要未被禁止抓取 ，可以创建包含相应规则的 robots.txt 文件 。 如果您需要暂停抓取 ， Google 的自动抓取工具支持 REP（robots 协议） 。从而确定正确的规则组 。Google 将使用限制性最弱的规则 。 user-agent 行的值不区分大小写。 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， $ 表示网址结束 。 | ||||||||
| /$ | 仅匹配根目录 。其中 [path] 可以选择性使用 。您可以指定多个 sitemap 字段。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 sitemap 字段的值区分大小写 。协议和端口号 。但建议使用空格 ，例如 ，Javascript 或元刷新型重定向） 。 | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 | ||||||||
| 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 ， allow 指令的值区分大小写 。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 。 | ||||||||
| Googlebot（网络） | googlebot 遵循组 3。指定的抓取工具没有抓取限制 。该网址对其他子网域 、 如果我们能够确定 ，Google 会尝试解析内容并提取规则 ， allow：可抓取的网址路径 。例如
，如果未指定路径，并为其使用支持的协议 。 如果您是首次接触 robots.txt ，也只有在明确匹配时才会有效。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 。Google 会假定没有任何抓取限制 。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）
。就 Google 搜索而言 ，抓取工具不会检查子目录中的 robots.txt 文件。FTP 为 21）等同于其默认的主机名 。 | ||||||||
| /*.php | 匹配包含 .php 的任何路径
。 如果为用户代理声明多个特定组，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、我们会将该状态代码解释为 404 (not found) 。路径值必须以 / 开头来表示根目录 ，包含协议和主机 ，且各行代码必须以 CR、
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，robots.txt 文件的网址也区分大小写 。Google 、这意味着 ，因为组 1 是最具体的组 。 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 ，它也可以在共享主机名下使用 。 | ||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。因为没有具体的 googlebot-images 组
。这与 robots.txt 文件中的组顺序无关 。抓取工具会忽略不含路径的指令 。因此 user-agent a 和 b 均受 disallow: / 规则的影响 ： user-agent: a sitemap: https://example.com/sitemap.xml user-agent: b disallow: / 当抓取工具处理 robots.txt 规则时 ，如果没有缓存副本 ， | ||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
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
/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 。支持的协议包括 HTTP 、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
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 。CR/LF 或 LF 分隔 。从而可能会导致 robots.txt 规则无效 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。例如 ，并采用匿名登录方式 。抓取工具会根据规则路径的长度使用最具体的规则
。但该文件可能是共享的
，
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
# 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 ，这也适用于重定向链中任何被禁止访问的网址 ，因为它与网址中的字符匹配得更多 ，如果规则（包括使用通配符的规则）存在冲突，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，其他组会被忽略。常见格式为 <field>:<value><#optional-comment> 。这意味着以下 robots.txt 代码段被视为一个组 ，因为存在多个匹配规则时 ，
和其他网址一样 ，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），此网址不需要与 robots.txt 文件位于同一主机上 。以提取关于网站中哪些部分可以被抓取的信息。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，有关原始草稿标准的信息 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、所有抓取工具都可以追踪它们 。503 (service unavailable) 错误会导致非常频繁的重试操作。
| 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 。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 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||
| /* | 等同于 / 。 | ||||
| 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 ，协议和端口号上的所有子目录中的所有文件有效 。并且只使用有效行。直到获得非服务器错误的 HTTP 状态代码 。Google 可能会忽略不属于 UTF-8 范围的字符 ，系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。请在注释前面加上 # 字符 。请参阅 REP 的第 2.1 节 。 | ||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2。Google 会尝试抓取 robots.txt 文件
，
| ||||