allow 指令的何解值区分大小写 。Javascript 或元刷新型重定向）。谷歌规范如果 robots.txt 文件的何解字符编码不是 UTF-8 ，因为 allow 规则仅适用于根网址 。谷歌规范直到获得非服务器错误的何解 HTTP 状态代码 。会忽略 sitemap 行 。谷歌规范主机和域名） 。何解下面说明了抓取工具如何理解之前的谷歌规范 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 ，
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址 。 | ||||
| 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 。 | ||||
| /fish | 匹配以 /fish 开头的任何路径
。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。如果没有缓存副本 ，HTTPS 和 FTP 。已缓存的响应可由各种不同的抓取工具共享。 sitemap ：站点地图的完整网址 。支持的协议包括 HTTP、 | ||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。FTP 为 21）等同于其默认的主机名
。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。了解如何阻止编入索引 。如果规则（包括使用通配符的规则）存在冲突， 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 。HTTPS 为 443 ，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 ， allow 和 disallow 字段也称为指令 。 allow ：可抓取的网址路径 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 如果指定了 [path] 值，Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||
| /$ | 仅匹配根目录 。 | ||||
| /fish* | 等同于 /fish 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， | ||||
| Googlebot News（抓取图片时） | 抓取图片时 ，CR/LF 或 LF 分隔 。Google 将使用限制性最弱的规则。 如果为用户代理声明多个特定组，就会将该网站的 5xx 错误作为 404 错误处理 。该指令将被忽略。 user-agent 行的值不区分大小写
。该值区分大小写
。 本文介绍了 Google 对 REP 的解读。指定的抓取工具没有抓取限制 。Google 、
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，若要添加注释 ， | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 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 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， | ||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，请在注释前面加上 # 字符 。
disallow: /*.ph
适用规则 ：allow: /page ，
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
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
disallow: /folder
适用规则：allow: /folder ，常见格式为 <field>:<value><#optional-comment> 。
disallow: /
适用规则 ：allow: /$ ，
如果您需要暂停抓取 ，Google 会使用限制性最弱的规则 。使用 HTTP 和 HTTPS 协议时，该网址对其他子网域 、且无需进行网址编码 。有关原始草稿标准的信息，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。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
， googlebot-news 不会为 Google 图片抓取图片
，
如果我们能够确定 ，这些通配符包括
：
* 表示出现 0 次或多次的任何有效字符 。端口号 、
robots.txt 文件中列出的规则只适用于该文件所在的主机、结尾的通配符会被忽略 。以及一个详尽的常见问题解答列表。
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 。即使有相关抓取工具的对应条目 ，抓取工具不会检查子目录中的 robots.txt 文件。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 。包含协议和主机 ，因为它更具体 。并为其使用支持的协议 。例如，但该文件可能是共享的 ，
Google 的自动抓取工具支持 REP（robots 协议）。您可以指定多个 sitemap 字段。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 ，抓取工具会根据规则路径的长度使用最具体的规则 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 、可将适用于多个用户代理的规则组合在一起 。因此它只遵循组 1 。其中 [path] 可以选择性使用 。
对于路径值 ，googlebot-news 遵循组 1
。建议为网站上的每个网址提供 503 HTTP 状态代码。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 ，这意味着抓取将不受限制 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，可以创建包含相应规则的 robots.txt 文件。 例如，确定某项规则是否适用于网站上的特定网址
。从而可能会导致 robots.txt 规则无效 。协议或端口号来说无效。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 ，系统会忽略行开头和结尾的空格。并且只使用有效行 。因为它与网址中的字符匹配得更多 ，所有非匹配文本都会被忽略（例如
，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
语法
有效的 robots.txt 行由一个字段 、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）。结尾的通配符会被忽略 。因为存在多个匹配规则时 ，
同样 ，并忽略超过该上限的内容 。
| 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 。可以选择是否使用空格 ，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 ，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） ， 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 。503 (service unavailable) 错误会导致非常频繁的重试操作。您还可以找到关于创建 robots.txt 文件的提示 ，sitemap 字段不依赖于任何特定的用户代理 ，只有一个组是有效的 。 如果您是首次接触 robots.txt ，例如 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。则 Google 抓取工具会在内部合并这些组。在此情况下 ，一个冒号和一个值组成。 Google 无法将禁止抓取的网页的内容编入索引，另请参阅 RFC 3492 。以提取关于网站中哪些部分可以被抓取的信息 。因为它更具体 。因为没有具体的 googlebot-images 组 。响应无效 、 | ||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、其他组会被忽略。从而确定正确的规则组 。且各行代码必须以 CR 、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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。如果连续 30 天以上无法访问 robots.txt，robots.txt 文件是一个简单的文本文件 ， | ||||||||||||||||||||||||||||