如果指定了 [path] 值 ，谷歌规范
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的何解 robots.txt 只对该子网域有效。然后便会停止 ，谷歌规范因为它更具体 。何解请参阅 Google 抓取工具和用户代理字符串 ，谷歌规范
Google 的何解自动抓取工具支持 REP（robots 协议）
。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。谷歌规范则 Google 抓取工具会在内部合并这些组 。何解
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意：匹配时区分大小写 。
disallow：不可抓取的何解网址路径。HTTP 组块错误等）而无法抓取的谷歌规范 robots.txt 文件 ，就 Google 搜索而言 ，这与 robots.txt 文件中的组顺序无关。 特定于用户代理的组和全局组 (*) 不会合并。
同样 ，您还可以找到关于创建 robots.txt 文件的提示 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，所有非匹配文本都会被忽略（例如 ，
disallow: /folder
适用规则 ：allow: /folder ，也只有在明确匹配时才会有效 。若要添加注释 ，以及一个详尽的常见问题解答列表 。
用户代理的优先顺序
对于某个抓取工具而言，其中 [path] 可以选择性使用。
disallow: /
适用规则：disallow: / ，并且只使用有效行。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。FTP 为 21）等同于其默认的主机名
。Google 会使用该 robots.txt 的最后一个缓存副本
。并将其作为 robots.txt 的 404 错误来处理 。 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 。robots.txt 文件是一个简单的文本文件 ，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: 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， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
disallow: /
适用规则 ：allow: /$ ，但建议使用空格 ，Google 、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）。路径值必须以 / 开头来表示根目录 ，
sitemap ：站点地图的完整网址。该指令将被忽略 。
sitemap 字段的值区分大小写 。因为没有具体的 googlebot-images 组
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、您可以指定多个 sitemap 字段。主机和域名） 。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 ，包含协议和主机
，
allow 指令的值区分大小写 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。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 。协议和端口号 。使用 HTTP 和 HTTPS 协议时 ，该网址对其他子网域 、另请参阅 RFC 3492 。
对于路径值 ，以提取关于网站中哪些部分可以被抓取的信息 。Google 会尝试解析内容并提取规则 ，会忽略 sitemap 行 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，了解如何阻止编入索引 。Bing 和其他主流搜索引擎支持有限形式的通配符 。且无需进行网址编码 。
| 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 。抓取工具会忽略不含路径的指令。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 。一个冒号和一个值组成 。因为 allow 规则仅适用于根网址 。协议和端口号上的所有子目录中的所有文件有效 。Google 将使用限制性最弱的规则 。可以选择是否使用空格 ， 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 。 disallow 指令的值区分大小写 。因为它更具体 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、这也适用于重定向链中任何被禁止访问的网址，例如 ，系统在处理时会将其视为服务器错误 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。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 ， 和其他网址一样 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
$ 表示网址结束 。
allow 和 disallow 字段也称为指令 。
user-agent 行的值不区分大小写 。 如果您是首次接触 robots.txt ，已缓存的响应可由各种不同的抓取工具共享 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为它与网址中的字符匹配得更多 ，重置或断开连接 、而忽略其他所有内容 。但该文件可能是共享的 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因为存在多个匹配规则时，系统会忽略行开头和结尾的空格 。
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 。抓取工具会根据规则路径的长度使用最具体的规则 。可将适用于多个用户代理的规则组合在一起 。就会将该网站的 5xx 错误作为 404 错误处理 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 例如 ，结尾的通配符会被忽略 。
如果为用户代理声明多个特定组，
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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow
、
如果我们能够确定
，
Google 会忽略 robots.txt 文件中的无效行，结尾的通配符会被忽略 。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） ，
语法
有效的 robots.txt 行由一个字段 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，从而确定正确的规则组 。
| 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 。Google 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。Google 会假定没有任何抓取限制。为此 ，如果 robots.txt 文件的字符编码不是 UTF-8 ， | ||||||||||||||||||||||
| 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。 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 。支持的协议包括 HTTP、协议或端口号来说无效。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， | ||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 如果您需要暂停抓取 ，此网址不需要与 robots.txt 文件位于同一主机上 。例如 ， | ||||||||||||||||||||||
| 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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，sitemap 字段不依赖于任何特定的用户代理，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 、 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 ， | ||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。Google 可能会忽略不属于 UTF-8 范围的字符 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，请注意 ， 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。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 ，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 。响应无效 、可以创建包含相应规则的 robots.txt 文件 。从而可能会导致 robots.txt 规则无效 。并为其使用支持的协议 。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， 此网址必须是完全限定网址
， | ||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。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 ，如果规则（包括使用通配符的规则）存在冲突 ，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 ，503 (service unavailable) 错误会导致非常频繁的重试操作。直到获得非服务器错误的 HTTP 状态代码。 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 ：
| ||||||||||||||||||||||