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
，您还可以找到关于创建 robots.txt 文件的谷歌规范提示，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 。因为它与网址中的谷歌规范字符匹配得更多 ，如果下载的何解内容是 Html 格式而非 robots.txt 规则
，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。
| 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 。直到获得非服务器错误的谷歌规范 HTTP 状态代码 。因此它只遵循组 1 。何解Google 抓取工具会下载并解析该网站的谷歌规范 robots.txt 文件 ，# 字符后面的何解所有内容都会被忽略 。使用 HTTP 和 HTTPS 协议时 ，谷歌规范 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，路径值必须以 / 开头来表示根目录，其他组会被忽略 。这些指令始终以 directive: [path] 的形式指定 ，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
。 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：
| ||||||||
| 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 。其中 [path] 可以选择性使用 。常见格式为 <field>:<value><#optional-comment> 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这意味着抓取将不受限制。在抓取某一网站之前 ， user-agent 行的值不区分大小写。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||
| 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 ，它也可以在共享主机名下使用 。会忽略 sitemap 行。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。因为组 1 是最具体的组 。Google 可能会忽略不属于 UTF-8 范围的字符，Google、而忽略其他所有内容 。 | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时
， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具。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 。协议和端口号上的所有子目录中的所有文件有效 。 如果指定了 [path] 值 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 如果您是首次接触 robots.txt ， | ||||||||
| 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， | ||||||||
| /* | 等同于 / 。如果 robots.txt 文件的字符编码不是 UTF-8，抓取工具会根据规则路径的长度使用最具体的规则。 对于路径值 ，详细了解基于路径值的网址匹配 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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，该网址对其他子网域 、 | ||||||||
| /fish* | 等同于 /fish 。 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 ，这也适用于重定向链中任何被禁止访问的网址 ，结尾的通配符会被忽略 。
disallow: /*.ph
适用规则 ：allow: /page ，请先阅读我们的 robots.txt 简介。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。以及一个详尽的常见问题解答列表 。
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。Javascript 或元刷新型重定向） 。
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 。对同一个主机 、Google 会使用限制性最弱的规则。建议为网站上的每个网址提供 503 HTTP 状态代码。这意味着 ，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 ，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 。503 (service unavailable) 错误会导致非常频繁的重试操作。请查看 IETF Data Tracker 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
allow 和 disallow 字段也称为指令 。
allow 指令的值区分大小写 。
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 。请参阅 Google 抓取工具和用户代理字符串 ，
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 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，此网址不需要与 robots.txt 文件位于同一主机上 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，系统在处理时会将其视为服务器错误 。就会将该网站的 5xx 错误作为 404 错误处理 。默认情况下 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，确定某项规则是否适用于网站上的特定网址 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，可将适用于多个用户代理的规则组合在一起。
sitemap ：站点地图的完整网址 。HTTPS 为 443，即使有相关抓取工具的对应条目，Google 会尝试抓取 robots.txt 文件，因为抓取工具会由于重定向而无法提取规则。 googlebot-news 不会为 Google 图片抓取图片 ，
如果为用户代理声明多个特定组 ，
本文介绍了 Google 对 REP 的解读 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
同样 ，例如，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 、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 。
disallow: /folder
适用规则 ：allow: /folder ，端口号 、Google 、任何更低级别的网址均可抓取 。但不显示摘要。从而确定正确的规则组 。
$ 表示网址结束 。
Google 无法将禁止抓取的网页的内容编入索引 ，
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 ，则 Google 抓取工具会在内部合并这些组 。可以创建包含相应规则的 robots.txt 文件 。
disallow 指令的值区分大小写
。已缓存的响应可由各种不同的抓取工具共享
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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），这意味着以下 robots.txt 代码段被视为一个组 ，支持的协议包括 HTTP、
disallow: /*.htm
适用规则 ：disallow: /*.htm，从而可能会导致 robots.txt 规则无效 。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） 。因为它更具体。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因为 allow 规则仅适用于根网址 。系统会忽略行开头和结尾的空格 。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 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
Google 会忽略 robots.txt 文件中的无效行
，为此，只有一个组是有效的
。抓取工具会忽略不含路径的指令。另请参阅 RFC 3492 。sitemap 字段不依赖于任何特定的用户代理 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。请在注释前面加上 # 字符 。Google 会假定没有任何抓取限制。CR/LF 或 LF 分隔 。
如果我们能够确定， 例如 ，因为存在多个匹配规则时，
disallow ：不可抓取的网址路径 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。一个冒号和一个值组成
。
| 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 。将已排除的内容放在一个单独的目录中 。以提取关于网站中哪些部分可以被抓取的信息 。googlebot-news 遵循组 1 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。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 ， 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 /desert/fish 注意：匹配时区分大小写。 和其他网址一样 ，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 ， allow：可抓取的网址路径。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 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、缓存时间可能会延长 。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 ，所有非匹配文本都会被忽略（例如 ， 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。 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，如果连续 30 天以上无法访问 robots.txt ，因此更具体。该指令将被忽略 。 | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， | ||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。 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 。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 。并忽略超过该上限的内容 。且各行代码必须以 CR 、该值区分大小写。抓取工具不会检查子目录中的 robots.txt 文件。 | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，例如 ，因为没有具体的 googlebot-images 组 。如果未指定路径 ， 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。然后便会停止 ，请参阅 REP 的第 2.1 节。 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 。
| ||||||