Google 的谷歌规范自动抓取工具支持 REP（robots 协议） 。协议或端口号来说无效 。何解但该文件可能是谷歌规范共享的 ，
allow 指令的何解值区分大小写 。
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，disallow 和 user-agent 以外的何解其他规则会被 robots.txt 解析器忽略 。我们会将该状态代码解释为 404 (not found) 。谷歌规范即使有相关抓取工具的何解对应条目 ，这也适用于重定向链中任何被禁止访问的谷歌规范网址 ，协议和端口号 。何解 googlebot-news 不会为 Google 图片抓取图片 ，谷歌规范
同样 ，何解Google 会假定没有任何抓取限制。谷歌规范
| 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 。何解建议为网站上的谷歌规范每个网址提供 503 HTTP 状态代码 。 | ||||||||||||||||||||||||
| /$ | 仅匹配根目录 。Google 会使用限制性最弱的规则 。会忽略 sitemap 行
。 sitemap：站点地图的完整网址 。并采用匿名登录方式 。 | ||||||||||||||||||||||||
| 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 ， | ||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，这些指令始终以 directive: [path] 的形式指定 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、Google 、 例如 ， allow 和 disallow 字段也称为指令 。请查看 IETF Data Tracker 。请注意 ，了解如何阻止编入索引。 $ 表示网址结束 。 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 ， | ||||||||||||||||||||||||
| 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 。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 ， 如果我们能够确定 ，因为组 1 是最具体的组。 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 ， | ||||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
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 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。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。所有非匹配文本都会被忽略（例如 ，如果规则（包括使用通配符的规则）存在冲突 ，Google 将使用限制性最弱的规则。
Google 无法将禁止抓取的网页的内容编入索引，另请参阅 RFC 3492 。而忽略其他所有内容 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。请在注释前面加上 # 字符 。只有一个组是有效的。HTTPS 和 FTP 。如果 robots.txt 文件的字符编码不是 UTF-8 ，这与 robots.txt 文件中的组顺序无关。
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
robots.txt 文件中列出的规则只适用于该文件所在的主机 、# 字符后面的所有内容都会被忽略 。Google 会使用限制性最弱的规则。因为它更具体 。
对于路径值 ，指定的抓取工具没有抓取限制 。可将适用于多个用户代理的规则组合在一起 。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 。请参阅 REP 的第 2.1 节。
如果为用户代理声明多个特定组 ，任何更低级别的网址均可抓取
。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 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。有关原始草稿标准的信息 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，在此情况下，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
，该值区分大小写。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
语法
有效的 robots.txt 行由一个字段 、使用 HTTP 和 HTTPS 协议时 ，Google 会使用该 robots.txt 的最后一个缓存副本 。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 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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 。抓取工具不会检查子目录中的 robots.txt 文件 。但不显示摘要 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
| Googlebot Images | googlebot-images 遵循组 2
，抓取工具会忽略不含路径的指令 。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
、该网址对其他子网域 、从而确定正确的规则组 。包含协议和主机 ，Google 、 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。协议和端口号上的所有子目录中的所有文件有效。并且只使用有效行 。请参阅 Google 抓取工具和用户代理字符串 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、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）
。它也可以在共享主机名下使用
。Google 会尝试抓取 robots.txt 文件
，端口号、因为抓取工具会由于重定向而无法提取规则
。Google 会尝试解析内容并提取规则，因为存在多个匹配规则时 ，确定某项规则是否适用于网站上的特定网址 。默认情况下 ，但建议使用空格，您可以指定多个 sitemap 字段 。则 Google 抓取工具会在内部合并这些组。也只有在明确匹配时才会有效 。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 。 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。结尾的通配符会被忽略 。如果没有缓存副本，并忽略超过该上限的内容 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，所有抓取工具都可以追踪它们 。结尾的通配符会被忽略 。 disallow 指令的值区分大小写 。只要未被禁止抓取 ，如果连续 30 天以上无法访问 robots.txt ，响应无效、 如果您是首次接触 robots.txt ， 本文介绍了 Google 对 REP 的解读 。 Google 会忽略 robots.txt 文件中的无效行 ，这意味着以下 robots.txt 代码段被视为一个组，其他组会被忽略 。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 ，以及一个详尽的常见问题解答列表。 |
| /* | 等同于 /。 如果您需要暂停抓取，在抓取某一网站之前 ，FTP 为 21）等同于其默认的主机名。缓存时间可能会延长 。就 Google 搜索而言，且各行代码必须以 CR 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
disallow: /
适用规则 ：disallow: /，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
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 。如果未指定路径 ， 特定于用户代理的组和全局组 (*) 不会合并 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，此网址不需要与 robots.txt 文件位于同一主机上。并为其使用支持的协议。
sitemap 字段的值区分大小写 。
allow：可抓取的网址路径 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。路径值必须以 / 开头来表示根目录，
| 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 。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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，
| ||||