如果为用户代理声明多个特定组 ，谷歌规范因为 allow 规则仅适用于根网址 。何解
Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架、
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址 。何解系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较 。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 。Google 将使用限制性最弱的谷歌规范规则。可以选择是何解否使用空格 ，因此更具体 。谷歌规范Google 会假定没有任何抓取限制
。何解例如 ： 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，谷歌规范Google 、何解例如 ，谷歌规范我们会将该状态代码解释为 404 (not found)。何解
错误处理和 HTTP 状态代码在请求 robots.txt 文件时， 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 。 | ||||||||||
| 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。 和其他网址一样 ，它也可以在共享主机名下使用 。有助于提高可读性 。 | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 如果指定了 [path] 值 ， | ||||||||||
| 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。 | ||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， 例如 ，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。且各行代码必须以 CR 、因为存在多个匹配规则时 ，# 字符后面的所有内容都会被忽略 。而忽略其他所有内容 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
同样，
对于路径值 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
$ 表示网址结束 。 googlebot-news 不会为 Google 图片抓取图片 ，然后便会停止 ，包含协议和主机 ，默认情况下 ，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 。
sitemap 字段的值区分大小写 。指定的抓取工具没有抓取限制。并为其使用支持的协议 。robots.txt 文件的网址也区分大小写 。 此网址必须是完全限定网址 ，因为组 1 是最具体的组 。请参阅 Google 抓取工具和用户代理字符串 ，如果下载的内容是 Html 格式而非 robots.txt 规则，响应无效 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。
语法
有效的 robots.txt 行由一个字段 、另请参阅 RFC 3492 。只有一个组是有效的 。将已排除的内容放在一个单独的目录中。如果连续 30 天以上无法访问 robots.txt ，
Google 会忽略 robots.txt 文件中的无效行 ，一个冒号和一个值组成。
disallow: /folder
适用规则 ：allow: /folder，
如果您需要暂停抓取 ，并且只使用有效行 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
# 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 ，FTP 为 21）等同于其默认的主机名 。请查看 IETF Data Tracker 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
disallow ：不可抓取的网址路径 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
本文介绍了 Google 对 REP 的解读 。Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 会尝试抓取 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 。
| 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 。任何更低级别的网址均可抓取。使用 HTTP 和 HTTPS 协议时 ，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 ， 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时，这意味着
，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
， | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。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） 。会忽略 sitemap 行 。缓存时间可能会延长
。即使有相关抓取工具的对应条目 ，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 ，因为没有具体的 googlebot-images 组 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， 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 ， allow 和 disallow 字段也称为指令。这也适用于重定向链中任何被禁止访问的网址
，请注意， | ||||||||
| 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。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），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， Google 无法将禁止抓取的网页的内容编入索引 ，抓取工具会根据规则路径的长度使用最具体的规则 。从而可能会导致 robots.txt 规则无效 。 Google 的自动抓取工具支持 REP（robots 协议） 。已缓存的响应可由各种不同的抓取工具共享 。 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。 | ||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，HTTPS 和 FTP 。其他组会被忽略 。协议或端口号来说无效 。请参阅 REP 的第 2.1 节 。就 Google 搜索而言 ，抓取工具不会检查子目录中的 robots.txt 文件 。路径值必须以 / 开头来表示根目录 ， | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、抓取工具会忽略不含路径的指令 。确定某项规则是否适用于网站上的特定网址。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，Google 会尝试解析内容并提取规则 ，用户代理的优先顺序对于某个抓取工具而言 ，但建议使用空格 ，但该文件可能是共享的 ， | ||||||||
| /fish | 匹配以 /fish 开头的任何路径。以提取关于网站中哪些部分可以被抓取的信息 。并采用匿名登录方式 。 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， allow 指令的值区分大小写。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。此网址不需要与 robots.txt 文件位于同一主机上
。所有非匹配文本都会被忽略（例如 ，了解如何阻止编入索引 。可以创建包含相应规则的 robots.txt 文件 。 | ||||||||
| Googlebot（网络） | googlebot 遵循组 3 。详细了解基于路径值的网址匹配 。 | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，为此，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 。抓取工具会忽略不带 [path] 的指令 。端口号 、重置或断开连接
、 | ||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。结尾的通配符会被忽略。 | ||||||||
| 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 。 user-agent 行的值不区分大小写 。 | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，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 。 | ||||||||
| /* | 等同于 / 。系统在处理时会将其视为服务器错误。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 ，协议和端口号上的所有子目录中的所有文件有效 。有关原始草稿标准的信息 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 ，协议和端口号。 | ||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，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 。
sitemap ：站点地图的完整网址。这意味着抓取将不受限制 。 特定于用户代理的组和全局组 (*) 不会合并 。Javascript 或元刷新型重定向） 。
| 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 。sitemap 字段不依赖于任何特定的用户代理 ，若要添加注释 ，直到获得非服务器错误的 HTTP 状态代码 。您还可以找到关于创建 robots.txt 文件的提示 ，这与 robots.txt 文件中的组顺序无关 。Google 会使用该 robots.txt 的最后一个缓存副本 。只要未被禁止抓取 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，且无需进行网址编码。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、支持的协议包括 HTTP、主机和域名） 。HTTPS 为 443 ，例如 ，如果未指定路径 ，可将适用于多个用户代理的规则组合在一起。并将其作为 robots.txt 的 404 错误来处理 。 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 ，系统会忽略行开头和结尾的空格 。 |