语法
有效的何解 robots.txt 行由一个字段 、
同样 ，谷歌规范然后便会停止 ，何解
Google 会忽略 robots.txt 文件中的谷歌规范无效行
，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的何解方式 。并且只使用有效行 。谷歌规范这与 robots.txt 文件中的何解组顺序无关 。支持的谷歌规范协议包括 HTTP 、
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
/desert/fish
注意：匹配时区分大小写 。 路径中的谷歌规范非 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 。因此更具体。
Google 无法将禁止抓取的网页的内容编入索引，
disallow: /
适用规则：allow: /$，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。此网址不需要与 robots.txt 文件位于同一主机上 。如果没有缓存副本 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，指定的抓取工具没有抓取限制 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，如果连续 30 天以上无法访问 robots.txt ，
| 错误处理和 HTTP 状态代码 | |||||||||||||||||||||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。其他组会被忽略
。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），以提取关于网站中哪些部分可以被抓取的信息。包含协议和主机 ，您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。Google 将使用限制性最弱的规则 。example.com 的 robots.txt 文件可能如下所示
： # This robots.txt file controls crawling of URLs under https://example.com. # All crawlers are disallowed to crawl files in the "includes" directory, such # as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed # to crawl them. User-agent: *Disallow: /includes/ User-agent: Googlebot Allow: /includes/ Sitemap: https://example.com/sitemap.xml 文件位置和有效范围您必须将 robots.txt 文件放在网站的顶级目录中 ， sitemap ：站点地图的完整网址 。直到获得非服务器错误的 HTTP 状态代码 。且无需进行网址编码 。 | ||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，确定某项规则是否适用于网站上的特定网址 。 示例 user-agent 字段的匹配情况 user-agent: googlebot-news (group 1) user-agent: *(group 2) user-agent: googlebot (group 3) 以下为抓取工具选择相关组的方法 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，抓取工具会忽略不含路径的指令 。系统在处理时会将其视为服务器错误 。Google 会使用该 robots.txt 的最后一个缓存副本 。使用 HTTP 和 HTTPS 协议时 ，端口号、将已排除的内容放在一个单独的目录中 。结尾的通配符会被忽略 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，以及一个详尽的常见问题解答列表 。 | ||||||||||||||||||||||||||
| http://www.example.com/robots.txt | 适用于
： http://www.example.com/ 不适用于 ： http://example.com/ http://shop.www.example.com/ http://www.shop.example.com/ 子网域上的 robots.txt 只对该子网域有效。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。因为组 1 是最具体的组 。 本文介绍了 Google 对 REP 的解读 。 | ||||||||||||||||||||||||||
| 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 ， | ||||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||||
| 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 。这些指令始终以 directive: [path] 的形式指定 ，这意味着 ，可将适用于多个用户代理的规则组合在一起 。它也可以在共享主机名下使用 。但建议使用空格 ，Google 会尝试解析内容并提取规则 ， 对于路径值 ，请参阅 Google 抓取工具和用户代理字符串 ，例如，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 。其中 [path] 可以选择性使用 。如果规则（包括使用通配符的规则）存在冲突 ， disallow 指令的值区分大小写 。 disallow：不可抓取的网址路径 。sitemap 字段不依赖于任何特定的用户代理
，有助于提高可读性 。这意味着抓取将不受限制 。 | ||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 例如 ， 用户代理的优先顺序对于某个抓取工具而言，这也适用于重定向链中任何被禁止访问的网址，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 ，# 字符后面的所有内容都会被忽略 。 如果为用户代理声明多个特定组 ，从而确定正确的规则组 。
用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 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 ， allow ：可抓取的网址路径 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。您还可以找到关于创建 robots.txt 文件的提示 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，我们会将该状态代码解释为 404 (not found) 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 。该网址对其他子网域 、若要添加注释 ，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 ，了解如何阻止编入索引 。Javascript 或元刷新型重定向） 。Google 、即使有相关抓取工具的对应条目 ，如果 robots.txt 文件的字符编码不是 UTF-8 ， | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，缓存时间可能会延长 。 | ||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， allow 和 disallow 字段也称为指令 。如果未指定路径， 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 。请先阅读我们的 robots.txt 简介 。有关原始草稿标准的信息 ， 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 ，可以创建包含相应规则的 robots.txt 文件 。另请参阅 RFC 3492 。Google 会使用限制性最弱的规则 。因此它只遵循组 1。Google 抓取工具会下载并解析该网站的 robots.txt 文件，例如 ，为此 ，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 ， user-agent 行的值不区分大小写 。因为 allow 规则仅适用于根网址 。就 Google 搜索而言 ，因为没有具体的 googlebot-images 组。在抓取某一网站之前，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 ，因为它与网址中的字符匹配得更多 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。在此情况下 ， 如果指定了 [path] 值
， | ||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。对同一个主机 、robots.txt 文件的网址也区分大小写
。HTTPS 为 443 ，只要未被禁止抓取，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 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 。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有限形式的通配符
。但该文件可能是共享的 ，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）
。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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。因为抓取工具会由于重定向而无法提取规则 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 和其他网址一样 ，请参阅 REP 的第 2.1 节 。路径值必须以 / 开头来表示根目录 ，并为其使用支持的协议 。 | ||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。 googlebot-news 不会为 Google 图片抓取图片， | ||||||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。结尾的通配符会被忽略 。
sitemap 字段的值区分大小写 。
disallow: /
适用规则 ：disallow: / ，请在注释前面加上 # 字符 。