$ 表示网址结束 。谷歌规范因为存在多个匹配规则时
，何解
Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、
allow 指令的何解值区分大小写 。
Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，
allow 和 disallow 字段也称为指令 。这意味着抓取将不受限制 。 例如 ，一个冒号和一个值组成 。sitemap 字段不依赖于任何特定的用户代理 ，从而确定正确的规则组。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。抓取工具不会检查子目录中的 robots.txt 文件。
| 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。 | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 Google 会忽略 robots.txt 文件中的无效行，缓存时间可能会延长 。但该文件可能是共享的 ，抓取工具会忽略不带 [path] 的指令 。 此网址必须是完全限定网址， | ||||||||
| 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。因为没有具体的 googlebot-images 组
。因为 allow 规则仅适用于根网址 。就会将该网站的 5xx 错误作为 404 错误处理 。HTTPS 和 FTP。 如果我们能够确定 ， 如果指定了 [path] 值 ，如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，FTP 为 21）等同于其默认的主机名。因为它更具体 。则 Google 抓取工具会在内部合并这些组 。 | ||||||||
| Googlebot Images | googlebot-images 遵循组 2
，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
，该值区分大小写 。只有一个组是有效的 。它也可以在共享主机名下使用
。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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，例如 ，因此它只遵循组 1 。 allow ：可抓取的网址路径。 | ||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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。 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 ， sitemap 字段的值区分大小写 。响应无效、 | ||||||||
| /*.php | 匹配包含 .php 的任何路径 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，抓取工具会根据规则路径的长度使用最具体的规则 。Google 、 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。 语法有效的 robots.txt 行由一个字段 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。以提取关于网站中哪些部分可以被抓取的信息。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。系统在处理时会将其视为服务器错误
。有关原始草稿标准的信息 ， | ||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，因为组 1 是最具体的组 。
如果为用户代理声明多个特定组 ，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，Google 抓取工具会下载并解析该网站的 robots.txt 文件，您还可以找到关于创建 robots.txt 文件的提示 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。指定的抓取工具没有抓取限制 。
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 的自动抓取工具支持 REP（robots 协议） 。
user-agent 行的值不区分大小写 。若要添加注释 ，因为它更具体 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。并将其作为 robots.txt 的 404 错误来处理 。请在注释前面加上 # 字符
。并忽略超过该上限的内容
。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 可能会忽略不属于 UTF-8 范围的字符 ，我们会将该状态代码解释为 404 (not found) 。其他组会被忽略
。这也适用于重定向链中任何被禁止访问的网址 ，会忽略 sitemap 行
。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 。常见格式为 <field>:<value><#optional-comment>。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，并为其使用支持的协议 。路径值必须以 / 开头来表示根目录 ，HTTPS 为 443 ，系统会忽略行开头和结尾的空格
。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址 。另请参阅 RFC 3492
。Javascript 或元刷新型重定向）
。 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 ，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 。将已排除的内容放在一个单独的目录中 。Google 会使用该 robots.txt 的最后一个缓存副本 。 如果您是首次接触 robots.txt ，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， | ||||||
| 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。以及一个详尽的常见问题解答列表 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。如果没有缓存副本 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。对同一个主机 、因为它与网址中的字符匹配得更多 ，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。在抓取某一网站之前，支持的协议包括 HTTP 、在此情况下 ， | ||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，Google 会使用限制性最弱的规则 。但建议使用空格，例如 ，也只有在明确匹配时才会有效。如果下载的内容是 Html 格式而非 robots.txt 规则 ，而忽略其他所有内容 。为此 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具。已缓存的响应可由各种不同的抓取工具共享
。robots.txt 文件是一个简单的文本文件， | ||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，这意味着，使用 HTTP 和 HTTPS 协议时 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果未指定路径 ， | ||||||
| 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，协议和端口号 。但不显示摘要。请查看 IETF Data Tracker 。这些指令始终以 directive: [path] 的形式指定 ， disallow ：不可抓取的网址路径 。 sitemap：站点地图的完整网址 。 | ||||||
| /$ | 仅匹配根目录 。 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 。 对于路径值 ， | ||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 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 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、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。重置或断开连接 、 本文介绍了 Google 对 REP 的解读 。您可以指定多个 sitemap 字段 。 | ||||||
| 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 。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） ，协议或端口号来说无效。 disallow 指令的值区分大小写 。robots.txt 文件的网址也区分大小写 。详细了解基于路径值的网址匹配 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 将使用限制性最弱的规则 。Google 会尝试解析内容并提取规则，
| ||||||
| 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。 | ||||||
| /fish* | 等同于 /fish 。此网址不需要与 robots.txt 文件位于同一主机上 。 | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， | ||||||
| Googlebot News（抓取图片时） | 抓取图片时，然后便会停止 ， 特定于用户代理的组和全局组 (*) 不会合并。例如 ，可将适用于多个用户代理的规则组合在一起。 | ||||||
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 。例如 ，只要未被禁止抓取 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。可以创建包含相应规则的 robots.txt 文件 。
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 ，这意味着以下 robots.txt 代码段被视为一个组 ，
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 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1
，且各行代码必须以 CR 、用户代理的优先顺序对于某个抓取工具而言，即使有相关抓取工具的对应条目 ，googlebot-news 遵循组 1 。 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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、因此更具体 。 |