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、Google 将使用限制性最弱的何解规则。抓取工具会忽略不带 [path] 的谷歌规范指令 。协议和端口号 。何解googlebot/1.2 和 googlebot* 均等同于 googlebot） 。谷歌规范
本文介绍了 Google 对 REP 的何解解读 。HTTPS 和 FTP。谷歌规范抓取工具会忽略不含路径的指令 。抓取工具不会检查子目录中的 robots.txt 文件 。
用户代理的优先顺序
对于某个抓取工具而言 ，包含协议和主机 ，
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
disallow: /folder
适用规则 ：allow: /folder ，然后便会停止 ，
如果指定了 [path] 值，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、因为它与网址中的字符匹配得更多，它也可以在共享主机名下使用 。该指令将被忽略 。
sitemap 字段的值区分大小写 。
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 。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，而忽略其他所有内容 。因为组 1 是最具体的组 。这意味着 ，请查看 IETF Data Tracker 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。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 ，您可以指定多个 sitemap 字段 。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 ，并采用匿名登录方式。503 (service unavailable) 错误会导致非常频繁的重试操作 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
sitemap ：站点地图的完整网址
。若要添加注释 ，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）
，只要未被禁止抓取 ，因此更具体
。建议为网站上的每个网址提供 503 HTTP 状态代码 。这意味着抓取将不受限制 。这也适用于重定向链中任何被禁止访问的网址 ，
如果您需要暂停抓取
，我们会将该状态代码解释为 404 (not found) 。Google 会假定没有任何抓取限制。从而可能会导致 robots.txt 规则无效。会忽略 sitemap 行 。
如果我们能够确定 ，
disallow: /
适用规则：allow: /$ ，
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
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。默认情况下，robots.txt 文件的网址也区分大小写。这些指令始终以 directive: [path] 的形式指定，
allow 指令的值区分大小写 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。Google 会尝试解析内容并提取规则
，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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。但不显示摘要 。因为存在多个匹配规则时
，且无需进行网址编码 。 如果您是首次接触 robots.txt ， |
| /*.php | 匹配包含 .php 的任何路径 。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，协议和端口号上的所有子目录中的所有文件有效。 user-agent 行的值不区分大小写。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 的自动抓取工具支持 REP（robots 协议） 。主机和域名） 。了解如何阻止编入索引 。 对于路径值 ，robots.txt 文件是一个简单的文本文件 ，如果 robots.txt 文件的字符编码不是 UTF-8，有助于提高可读性 。为此 ， 语法有效的 robots.txt 行由一个字段 、 |
| 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 ，但该文件可能是共享的，响应无效、 allow ：可抓取的网址路径 。可以创建包含相应规则的 robots.txt 文件 。该网址对其他子网域 、就会将该网站的 5xx 错误作为 404 错误处理 。 allow 和 disallow 字段也称为指令。端口号 、请注意 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， Google 会忽略 robots.txt 文件中的无效行， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，Google 会使用该 robots.txt 的最后一个缓存副本 。
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 。并且只使用有效行 。因为没有具体的 googlebot-images 组 。在抓取某一网站之前，
| 示例情况 | |||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p，对同一个主机 、但建议使用空格 ， | ||||||||||||||||||||||||||||
| 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 ， 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，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 。且各行代码必须以 CR 、也只有在明确匹配时才会有效 。因为它更具体 。请先阅读我们的 robots.txt 简介。 | ||||||||||||||||||||||||||||
| /fish* | 等同于 /fish
。如果未指定路径 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，这与 robots.txt 文件中的组顺序无关 。Google 会使用限制性最弱的规则 。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 ，则 Google 抓取工具会在内部合并这些组 。例如 ， 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 。就 Google 搜索而言 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，缓存时间可能会延长 。 | ||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，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 。从而确定正确的规则组 。 特定于用户代理的组和全局组 (*) 不会合并 。Google 、 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因为抓取工具会由于重定向而无法提取规则。已缓存的响应可由各种不同的抓取工具共享 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，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 。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 ，googlebot-news 遵循组 1 。您还可以找到关于创建 robots.txt 文件的提示 ，以提取关于网站中哪些部分可以被抓取的信息 。如果没有缓存副本 ， 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 ，指定的抓取工具没有抓取限制。因为它更具体 。 | ||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， | ||||||||||||||||||||||||||||