allow 指令的谷歌规范值区分大小写 。
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的何解 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。默认情况下
，谷歌规范某网站因为配置不正确而在缺少网页时返回 5xx 而不是何解 404 状态代码 ，确定某项规则是谷歌规范否适用于网站上的特定网址 。因为抓取工具会由于重定向而无法提取规则 。何解因为它更具体。谷歌规范为此 ，何解 $ 表示网址结束 。谷歌规范这意味着
，何解服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。例如 ，何解 |
| 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 。 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
。协议和端口号
。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。然后便会停止 ，若要添加注释 ，缓存时间可能会延长 。抓取工具会忽略不含路径的指令 。这也适用于重定向链中任何被禁止访问的网址 ，有关原始草稿标准的信息 ，Google 会使用限制性最弱的规则 。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 ， 例如 ，系统会忽略行开头和结尾的空格 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、抓取工具会忽略不带 [path] 的指令 。 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。如果 robots.txt 文件的字符编码不是 UTF-8 ，只有一个组是有效的 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、您可以指定多个 sitemap 字段 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。以及一个详尽的常见问题解答列表。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。以提取关于网站中哪些部分可以被抓取的信息
。 |
| /*.php | 匹配包含 .php 的任何路径 。 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。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。 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 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，该值区分大小写 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google、并且只使用有效行 。我们会将该状态代码解释为 404 (not found)。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 ，支持的协议包括 HTTP、可以选择是否使用空格 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。所有非匹配文本都会被忽略（例如 ，Google 会使用限制性最弱的规则。可将适用于多个用户代理的规则组合在一起 。503 (service unavailable) 错误会导致非常频繁的重试操作 。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 。因为 allow 规则仅适用于根网址
。 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 ，
Google 无法将禁止抓取的网页的内容编入索引 ，因为存在多个匹配规则时
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。响应无效
、该指令将被忽略 。
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，Google 会尝试解析内容并提取规则，CR/LF 或 LF 分隔。也只有在明确匹配时才会有效 。 googlebot-news 不会为 Google 图片抓取图片 ， 此网址必须是完全限定网址，此网址不需要与 robots.txt 文件位于同一主机上 。
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
如果指定了 [path] 值 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。抓取工具不会检查子目录中的 robots.txt 文件 。
不适用于 ： http://example.com/
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 。已缓存的响应可由各种不同的抓取工具共享 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
如果为用户代理声明多个特定组 ，就 Google 搜索而言 ，
语法
有效的 robots.txt 行由一个字段 、
对于路径值
，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
| 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 。另请参阅 RFC 3492 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，路径值必须以 / 开头来表示根目录，HTTPS 为 443， 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， 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 ， 同样 ， | ||||||
| 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 。 user-agent 行的值不区分大小写 。并采用匿名登录方式 。 和其他网址一样 ，指定的抓取工具没有抓取限制 。这意味着以下 robots.txt 代码段被视为一个组，协议或端口号来说无效 。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 。 | ||||||
| /$ | 仅匹配根目录
。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 、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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， disallow 指令的值区分大小写 。任何更低级别的网址均可抓取。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，请参阅 REP 的第 2.1 节 。您还可以找到关于创建 robots.txt 文件的提示 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，只要未被禁止抓取 ，则 Google 抓取工具会在内部合并这些组。googlebot-news 遵循组 1。 本文介绍了 Google 对 REP 的解读 。请注意 ，因此更具体。一个冒号和一个值组成 。Google 将使用限制性最弱的规则。如果规则（包括使用通配符的规则）存在冲突 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google 会假定没有任何抓取限制。并为其使用支持的协议 。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） ，所有抓取工具都可以追踪它们。如果连续 30 天以上无法访问 robots.txt， Google 的自动抓取工具支持 REP（robots 协议） 。robots.txt 文件的网址也区分大小写 。 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。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 、建议为网站上的每个网址提供 503 HTTP 状态代码。且各行代码必须以 CR 、 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 。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） 。有助于提高可读性。这与 robots.txt 文件中的组顺序无关。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。结尾的通配符会被忽略。 如果您是首次接触 robots.txt ，robots.txt 文件是一个简单的文本文件， Google 会忽略 robots.txt 文件中的无效行， | ||||||
| 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 ， | ||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 allow ：可抓取的网址路径 。因此它只遵循组 1 。 | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，而忽略其他所有内容。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。例如 ， | ||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，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 ，因为组 1 是最具体的组 。
disallow ：不可抓取的网址路径 。
sitemap 字段的值区分大小写。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，但该文件可能是共享的 ，这些指令始终以 directive: [path] 的形式指定 ，请在注释前面加上 # 字符 。如果未指定路径 ，详细了解基于路径值的网址匹配 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
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。
sitemap ：站点地图的完整网址 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，对同一个主机 、包含协议和主机，结尾的通配符会被忽略。Google 会使用该 robots.txt 的最后一个缓存副本 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址 。
| ||||||||||