Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，
对于路径值 ，谷歌规范从而确定正确的何解规则组
。端口号 、谷歌规范其中 [path] 可以选择性使用 。何解sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，
匹配项
：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 的自动抓取工具支持 REP（robots 协议） 。这意味着抓取将不受限制。抓取工具会根据规则路径的长度使用最具体的规则 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。将已排除的内容放在一个单独的目录中 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，但建议使用空格 ，则 Google 抓取工具会在内部合并这些组。
allow 和 disallow 字段也称为指令 。路径值必须以 / 开头来表示根目录 ，请参阅 Google 抓取工具和用户代理字符串 ，
disallow: /folder
适用规则 ：allow: /folder ， 特定于用户代理的组和全局组 (*) 不会合并。# 字符后面的所有内容都会被忽略 。例如 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
| 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
。
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 | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。Google 将使用限制性最弱的规则。 | ||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，这些指令始终以 directive: [path] 的形式指定 ，系统会忽略行开头和结尾的空格。这也适用于重定向链中任何被禁止访问的网址
，CR/LF 或 LF 分隔
。另请参阅 RFC 3492。常见格式为 <field>:<value><#optional-comment>
。所有抓取工具都可以追踪它们 。对同一个主机 、此网址不需要与 robots.txt 文件位于同一主机上
。这意味着，如果规则（包括使用通配符的规则）存在冲突
，抓取工具会使用标准 RETR (RETRIEVE) 命令
，但该文件可能是共享的，FTP 为 21）等同于其默认的主机名。因为存在多个匹配规则时 ，有助于提高可读性 。该指令将被忽略
。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、例如 ，
user-agent 行的值不区分大小写 。
| 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。并且只使用有效行 。 如果您需要暂停抓取 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 $ 表示网址结束 。 如果您是首次接触 robots.txt ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。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 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符。HTTPS 为 443 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。请在注释前面加上 # 字符 。 如果指定了 [path] 值 ， |
| 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 。可将适用于多个用户代理的规则组合在一起。抓取工具会忽略不带 [path] 的指令 。 |
| 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。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 ，因为存在多个匹配规则时，请查看 IETF Data Tracker 。 |
| 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 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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，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 ，它也可以在共享主机名下使用 。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） ，只有一个组是有效的 。可以选择是否使用空格 ，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 。
disallow: /
适用规则 ：disallow: / ，请先阅读我们的 robots.txt 简介 。
sitemap ：站点地图的完整网址 。抓取工具不会检查子目录中的 robots.txt 文件。robots.txt 文件是一个简单的文本文件 ，因此它只遵循组 1 。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。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，Google 会尝试抓取 robots.txt 文件，
同样 ，请注意 ，以提取关于网站中哪些部分可以被抓取的信息。其他组会被忽略 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。如果连续 30 天以上无法访问 robots.txt ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
allow ：可抓取的网址路径。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。如果下载的内容是 Html 格式而非 robots.txt 规则 ，并忽略超过该上限的内容 。googlebot-news 遵循组 1 。默认情况下 ，
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，我们会将该状态代码解释为 404 (not found) 。
disallow: /
适用规则 ：allow: /$ ，主机和域名）。并采用匿名登录方式 。在此情况下 ，
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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。以及一个详尽的常见问题解答列表 。 例如
，
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 ，指定的抓取工具没有抓取限制 。
用户代理的优先顺序
对于某个抓取工具而言，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。
Google 会忽略 robots.txt 文件中的无效行 ，因为抓取工具会由于重定向而无法提取规则 。只要未被禁止抓取 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。建议为网站上的每个网址提供 503 HTTP 状态代码 。结尾的通配符会被忽略。但不显示摘要 。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 、详细了解基于路径值的网址匹配 。
disallow ：不可抓取的网址路径 。Google 、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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 ，任何更低级别的网址均可抓取 。
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，请参阅 REP 的第 2.1 节 。并将其作为 robots.txt 的 404 错误来处理 。包含协议和主机，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 ，
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址。 googlebot-news 不会为 Google 图片抓取图片 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 如果为用户代理声明多个特定组 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，使用 HTTP 和 HTTPS 协议时，Javascript 或元刷新型重定向） 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 | ||||||
| /* | 等同于 / 。您还可以找到关于创建 robots.txt 文件的提示 ，协议和端口号 。 | ||||||
| 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。然后便会停止 ，Google 会使用该 robots.txt 的最后一个缓存副本。所有非匹配文本都会被忽略（例如 ， robots.txt 文件中列出的规则只适用于该文件所在的主机
、因为组 1 是最具体的组 。结尾的通配符会被忽略。 和其他网址一样 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， | ||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。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 ，因为 allow 规则仅适用于根网址
。就 Google 搜索而言 ，因此更具体 。 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 。 | ||||||
| 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 ，且各行代码必须以 CR 、而忽略其他所有内容。抓取工具会忽略不含路径的指令 。 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。因为它更具体 。您可以指定多个 sitemap 字段。响应无效 、支持的协议包括 HTTP 、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 。若要添加注释，如果 robots.txt 文件的字符编码不是 UTF-8 ，直到获得非服务器错误的 HTTP 状态代码 。 语法有效的 robots.txt 行由一个字段 、缓存时间可能会延长。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||
| 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 ， 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：
| ||||||