robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、协议或端口号来说无效。何解HTTPS 为 443 ，谷歌规范包含协议和主机 ，何解抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时
，谷歌规范也只有在明确匹配时才会有效 。何解
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。谷歌规范如果未指定路径 ，何解
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置 。重置或断开连接、何解googlebot-news 遵循组 1。谷歌规范抓取工具会根据规则路径的何解长度使用最具体的规则 。
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谷歌规范规则组 ：
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 ，该指令将被忽略 。何解
语法
有效的谷歌规范 robots.txt 行由一个字段 、
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
对于路径值 ，# 字符后面的所有内容都会被忽略 。Google 、抓取工具会忽略不含路径的指令 。但不显示摘要 。Google 会使用限制性最弱的规则。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时
，就会将该网站的 5xx 错误作为 404 错误处理。Javascript 或元刷新型重定向）
。所有抓取工具都可以追踪它们 。如果没有缓存副本，建议为网站上的每个网址提供 503 HTTP 状态代码 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、如果连续 30 天以上无法访问 robots.txt ，因为存在多个匹配规则时 ，为此 ，如果规则（包括使用通配符的规则）存在冲突 ，该网址对其他子网域、系统在处理时会将其视为服务器错误 。
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。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
本文介绍了 Google 对 REP 的解读 。这意味着以下 robots.txt 代码段被视为一个组，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
user-agent 行的值不区分大小写 。
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 。
disallow ：不可抓取的网址路径 。您还可以找到关于创建 robots.txt 文件的提示 ，默认情况下 ，
$ 表示网址结束 。主机和域名） 。因为它更具体 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。此网址不需要与 robots.txt 文件位于同一主机上 。因为它与网址中的字符匹配得更多 ，
Google 会忽略 robots.txt 文件中的无效行 ， 例如 ， 如果您是首次接触 robots.txt ，HTTPS 和 FTP 。则 Google 抓取工具会在内部合并这些组。
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 ，robots.txt 文件的网址也区分大小写 。
| 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 。因为 allow 规则仅适用于根网址 。这意味着
，请先阅读我们的 robots.txt 简介。这意味着抓取将不受限制 。请查看 IETF Data Tracker 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，以提取关于网站中哪些部分可以被抓取的信息 。所有非匹配文本都会被忽略（例如 ，请参阅 Google 抓取工具和用户代理字符串 ，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 ，指定的抓取工具没有抓取限制。从而确定正确的规则组 。Google 会尝试抓取 robots.txt 文件 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。 user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||||
| /fish* | 等同于 /fish。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 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
。了解如何阻止编入索引 。 | ||||||
| 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 。 | ||||||
| Googlebot（网络） | googlebot 遵循组 3 。 | ||||||
| /$ | 仅匹配根目录 。对同一个主机 、 | ||||||
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 ，Google 会使用该 robots.txt 的最后一个缓存副本 。已缓存的响应可由各种不同的抓取工具共享 。
和其他网址一样 ，在此情况下 ，
disallow 指令的值区分大小写
。Google 会假定没有任何抓取限制
。
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
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，一个冒号和一个值组成。并忽略超过该上限的内容 。即使有相关抓取工具的对应条目 ，有助于提高可读性。结尾的通配符会被忽略。
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 ： /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
。使用 HTTP 和 HTTPS 协议时 ，Bing 和其他主流搜索引擎支持有限形式的通配符
。 sitemap ：站点地图的完整网址。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，将已排除的内容放在一个单独的目录中 。 如果指定了 [path] 值 ，robots.txt 文件是一个简单的文本文件 ， allow 指令的值区分大小写 。 googlebot-news 不会为 Google 图片抓取图片 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。例如 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。抓取工具不会检查子目录中的 robots.txt 文件 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，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 ，因此更具体 。另请参阅 RFC 3492。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 会使用限制性最弱的规则 。 此网址必须是完全限定网址 ， | ||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 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 。结尾的通配符会被忽略。 同样 ， | ||||||||||||||||||||||
| 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 。sitemap 字段不依赖于任何特定的用户代理，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。端口号 、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 ，请在注释前面加上 # 字符 。 | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， | ||||||||||||||||||||||
| 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 ，请注意 ， | ||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。例如 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。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 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，您可以指定多个 sitemap 字段 。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 。因为组 1 是最具体的组 。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 ，因为没有具体的 googlebot-images 组。任何更低级别的网址均可抓取 。请参阅 REP 的第 2.1 节 。 如果为用户代理声明多个特定组 ，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，它也可以在共享主机名下使用 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，并为其使用支持的协议。 | ||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，CR/LF 或 LF 分隔 。Google、 特定于用户代理的组和全局组 (*) 不会合并 。这些指令始终以 directive: [path] 的形式指定 ，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 。 用户代理的优先顺序对于某个抓取工具而言 ，可以选择是否使用空格，然后便会停止 ，协议和端口号 。且无需进行网址编码。只有一个组是有效的 。可以创建包含相应规则的 robots.txt 文件。但该文件可能是共享的 ，在抓取某一网站之前 ，协议和端口号上的所有子目录中的所有文件有效 。其他组会被忽略 。 | ||||||||||||||||||||||
| 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 。 sitemap 字段的值区分大小写 。 | ||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， Google 无法将禁止抓取的网页的内容编入索引，有关原始草稿标准的信息 ， | ||||||||||||||||||||||