和其他网址一样 ，何解
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解有关原始草稿标准的谷歌规范信息 ，抓取工具不会检查子目录中的何解 robots.txt 文件 。
allow 指令的谷歌规范值区分大小写 。
同样，何解 例如 ，谷歌规范CR/LF 或 LF 分隔。何解在抓取某一网站之前，谷歌规范robots.txt 文件是一个简单的文本文件 ，因为没有具体的 googlebot-images 组 。因为它更具体 。任何更低级别的网址均可抓取 。请参阅 Google 抓取工具和用户代理字符串 ，可以创建包含相应规则的 robots.txt 文件 。系统在处理时会将其视为服务器错误。但不显示摘要 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。并将其作为 robots.txt 的 404 错误来处理 。响应无效 、
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 。Google 会尝试抓取 robots.txt 文件，确定某项规则是否适用于网站上的特定网址。
不适用于： http://example.com/
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 。
| robots.txt 网址示例 | |
| http://example.com/robots.txt | 适用于： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况。 |
| 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。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，该网址对其他子网域 、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 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 语法有效的 robots.txt 行由一个字段、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 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 user-agent 行的值不区分大小写 。Javascript 或元刷新型重定向）
。 Google 的自动抓取工具支持 REP（robots 协议） 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，在此情况下 ，主机和域名） 。以提取关于网站中哪些部分可以被抓取的信息 。如果未指定路径 ，包含协议和主机 ，这也适用于重定向链中任何被禁止访问的网址 ，这与 robots.txt 文件中的组顺序无关 。我们会将该状态代码解释为 404 (not found)。这意味着 ， 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 。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。 robots.txt 文件中列出的规则只适用于该文件所在的主机、使用 HTTP 和 HTTPS 协议时 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， |
| /fish* | 等同于 /fish
。结尾的通配符会被忽略 。协议或端口号来说无效 。因为存在多个匹配规则时， 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： 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 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。但建议使用空格，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。支持的协议包括 HTTP 、请参阅 REP 的第 2.1 节 。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 ，请先阅读我们的 robots.txt 简介。sitemap 字段不依赖于任何特定的用户代理 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，如果 robots.txt 文件的字符编码不是 UTF-8 ， 本文介绍了 Google 对 REP 的解读 。Google 会假定没有任何抓取限制 。 sitemap ：站点地图的完整网址。您可以指定多个 sitemap 字段 。 $ 表示网址结束 。路径值必须以 / 开头来表示根目录，其他组会被忽略。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。端口号、所有抓取工具都可以追踪它们 。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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 会使用限制性最弱的规则 。会忽略 sitemap 行 。 如果您是首次接触 robots.txt ， 如果指定了 [path] 值 ，它也可以在共享主机名下使用 。 allow 和 disallow 字段也称为指令 。缓存时间可能会延长 。如果规则（包括使用通配符的规则）存在冲突 ，就会将该网站的 5xx 错误作为 404 错误处理 。 |
| 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。重置或断开连接、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。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。Google 会使用该 robots.txt 的最后一个缓存副本。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，协议和端口号。因为抓取工具会由于重定向而无法提取规则。 |
| 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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。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），如果连续 30 天以上无法访问 robots.txt ，例如 ，# 字符后面的所有内容都会被忽略 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因此更具体 。则 Google 抓取工具会在内部合并这些组 。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 ，常见格式为 <field>:<value><#optional-comment> 。因为它更具体 。请在注释前面加上 # 字符 。抓取工具会忽略不带 [path] 的指令 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
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 ，以及一个详尽的常见问题解答列表 。也只有在明确匹配时才会有效 。例如 ，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
，可以选择是否使用空格
，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，从而可能会导致 robots.txt 规则无效 。HTTPS 和 FTP 。
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 。然后便会停止，
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 ，
sitemap 字段的值区分大小写 。将已排除的内容放在一个单独的目录中 。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） 。FTP 为 21）等同于其默认的主机名 。从而确定正确的规则组 。
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
，一个冒号和一个值组成。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow: /
适用规则 ：disallow: / ，只要未被禁止抓取，请注意 ，对同一个主机、
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
| 路径匹配示例 | |||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。Google 会使用限制性最弱的规则
。但可能仍会将其网址编入索引并将其显示在搜索结果中， 如果为用户代理声明多个特定组 ，则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组 。 | ||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ， 如果您需要暂停抓取 ，Google 会尝试解析内容并提取规则 ，详细了解基于路径值的网址匹配 。Google 、 | ||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于 ： 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 。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 ，可将适用于多个用户代理的规则组合在一起 。并忽略超过该上限的内容 。您还可以找到关于创建 robots.txt 文件的提示 ，请查看 IETF Data Tracker。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 Google 无法将禁止抓取的网页的内容编入索引 ， 用户代理的优先顺序对于某个抓取工具而言 ， disallow：不可抓取的网址路径 。 | ||||||||||||||||||||||||
| /$ | 仅匹配根目录 。 Google 会忽略 robots.txt 文件中的无效行 ， 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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 对于路径值，因此它只遵循组 1
。只有一个组是有效的。 | ||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 | ||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， googlebot-news 不会为 Google 图片抓取图片 ， 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 ：
| ||||||||||||||||||||||||