Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，
user-agent 行的何解值不区分大小写。某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码 ，所有非匹配文本都会被忽略（例如 ，何解Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。另请参阅 RFC 3492 。何解抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效，也只有在明确匹配时才会有效 。谷歌规范# 字符后面的所有内容都会被忽略 。因为它更具体。我们会将该状态代码解释为 404 (not found) 。因为抓取工具会由于重定向而无法提取规则 。请在注释前面加上 # 字符。
Google 的自动抓取工具支持 REP（robots 协议） 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。系统在处理时会将其视为服务器错误 。
Google 无法将禁止抓取的网页的内容编入索引 ，就 Google 搜索而言 ，CR/LF 或 LF 分隔 。
如果指定了 [path] 值 ，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 ，对同一个主机 、
| 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。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Javascript 或元刷新型重定向） 。指定的抓取工具没有抓取限制 。会忽略 sitemap 行。这意味着以下 robots.txt 代码段被视为一个组 ，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。可以创建包含相应规则的 robots.txt 文件。Google 抓取工具会下载并解析该网站的 robots.txt 文件
， 同样 ， |
| 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 。这也适用于重定向链中任何被禁止访问的网址 ，HTTPS 和 FTP 。Google 会尝试解析内容并提取规则 ，如果未指定路径 ， 用户代理的优先顺序对于某个抓取工具而言 ，Google、了解如何阻止编入索引 。然后便会停止 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、如果规则（包括使用通配符的规则）存在冲突，HTTPS 为 443 ，有关原始草稿标准的信息 ， |
| 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 ，googlebot-news 遵循组 1。从而确定正确的规则组。以提取关于网站中哪些部分可以被抓取的信息 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、 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 。其中 [path] 可以选择性使用 。而忽略其他所有内容 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， allow ：可抓取的网址路径 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，且各行代码必须以 CR、 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，一个冒号和一个值组成 。在此情况下 ， 和其他网址一样 ，协议或端口号来说无效 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，所有抓取工具都可以追踪它们 。 |
| /$ | 仅匹配根目录 。该值区分大小写。 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 ，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 。这意味着抓取将不受限制 。协议和端口号 。建议为网站上的每个网址提供 503 HTTP 状态代码 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 allow 和 disallow 字段也称为指令 。并为其使用支持的协议 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。请参阅 REP 的第 2.1 节 。但不显示摘要 。sitemap 字段不依赖于任何特定的用户代理 ，若要添加注释 ，如果连续 30 天以上无法访问 robots.txt ， |
| Googlebot News（抓取图片时） | 抓取图片时 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，该指令将被忽略 。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 ，
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 指令的值区分大小写 。Google 会使用限制性最弱的规则。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 、
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 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。端口号、响应无效、
disallow: /
适用规则：allow: /$，缓存时间可能会延长 。
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 。例如 ，
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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，FTP 为 21）等同于其默认的主机名 。Google 将使用限制性最弱的规则 。
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 ，
$ 表示网址结束。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，Google 会尝试抓取 robots.txt 文件 ，请参阅 Google 抓取工具和用户代理字符串 ，因为没有具体的 googlebot-images 组 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
disallow: /
适用规则 ：disallow: /， 如果您是首次接触 robots.txt ，
sitemap 字段的值区分大小写 。路径值必须以 / 开头来表示根目录 ，
allow 指令的值区分大小写 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。从而可能会导致 robots.txt 规则无效 。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
，使用 HTTP 和 HTTPS 协议时 ，因此它只遵循组 1
。Google 会假定没有任何抓取限制。
如果您需要暂停抓取 ，可将适用于多个用户代理的规则组合在一起。
如果为用户代理声明多个特定组 ，
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，Google、确定某项规则是否适用于网站上的特定网址 。因为它更具体 。如果没有缓存副本 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， | ||||
| 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
，就会将该网站的 5xx 错误作为 404 错误处理 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||
| /*.php | 匹配包含 .php 的任何路径 。 如果我们能够确定 ，可以选择是否使用空格 ，支持的协议包括 HTTP、并采用匿名登录方式 。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。 | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。Bing 和其他主流搜索引擎支持有限形式的通配符。并将其作为 robots.txt 的 404 错误来处理 。语法有效的 robots.txt 行由一个字段 、 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。请先阅读我们的 robots.txt 简介 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因此更具体 。 | ||||
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，有助于提高可读性 。即使有相关抓取工具的对应条目 ， 例如，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
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
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，
disallow: /folder
适用规则 ：allow: /folder ，已缓存的响应可由各种不同的抓取工具共享。因为 allow 规则仅适用于根网址 。只有一个组是有效的。您还可以找到关于创建 robots.txt 文件的提示，Google 会使用限制性最弱的规则 。且无需进行网址编码 。例如 ，协议和端口号上的所有子目录中的所有文件有效 。
对于路径值，Google 可能会忽略不属于 UTF-8 范围的字符，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
sitemap ：站点地图的完整网址 。例如，在抓取某一网站之前，
disallow: /*.ph
适用规则 ：allow: /page，重置或断开连接 、
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 ，例如，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 特定于用户代理的组和全局组 (*) 不会合并 。
| 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 。Google 会使用该 robots.txt 的最后一个缓存副本。并且只使用有效行 。并忽略超过该上限的内容 。 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 ：
| ||||||||