不适用于 ： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效 。从而确定正确的何解规则组 。可以选择是谷歌规范否使用空格 ，
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写 。您可以指定多个 sitemap 字段。谷歌规范请参阅 REP 的何解第 2.1 节 。# 字符后面的谷歌规范所有内容都会被忽略 。对同一个主机 、何解以提取关于网站中哪些部分可以被抓取的谷歌规范信息 。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，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置。
disallow 指令的值区分大小写。因为存在多个匹配规则时 ，它也可以在共享主机名下使用 。协议和端口号 。
| 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。 |
| 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
。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，就会将该网站的 5xx 错误作为 404 错误处理 。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） ，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 。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 ，Javascript 或元刷新型重定向） 。为此 ， |
| Googlebot Images | googlebot-images 遵循组 2 ，并将其作为 robots.txt 的 404 错误来处理 。例如， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
用户代理的优先顺序
对于某个抓取工具而言 ，任何更低级别的网址均可抓取 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。所有抓取工具都可以追踪它们 。HTTP 组块错误等）而无法抓取的 robots.txt 文件
，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。 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入 。HTTPS 和 FTP
。建议为网站上的每个网址提供 503 HTTP 状态代码 。指定的抓取工具没有抓取限制
。另请参阅 RFC 3492 。因为存在多个匹配规则时
，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 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，将已排除的内容放在一个单独的目录中 。因为没有具体的 googlebot-images 组
。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
allow：可抓取的网址路径。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 ，如果规则（包括使用通配符的规则）存在冲突 ，
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， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 sitemap ：站点地图的完整网址。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、抓取工具不会检查子目录中的 robots.txt 文件 。 |
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 目前强制执行的 robots.txt 文件大小限制是 500 KiB，系统会忽略行开头和结尾的空格 。
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 ，我们会将该状态代码解释为 404 (not found) 。
Google 无法将禁止抓取的网页的内容编入索引 ，
Google 的自动抓取工具支持 REP（robots 协议） 。
如果为用户代理声明多个特定组 ，
如果指定了 [path] 值，这些指令始终以 directive: [path] 的形式指定
，一个冒号和一个值组成
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
如果我们能够确定，有关原始草稿标准的信息 ，即使有相关抓取工具的对应条目
，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。主机和域名） 。
disallow: /folder
适用规则 ：allow: /folder ， 此网址必须是完全限定网址 ，会忽略 sitemap 行。
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。如果连续 30 天以上无法访问 robots.txt ，有助于提高可读性 。抓取工具会忽略不含路径的指令 。 如果您是首次接触 robots.txt ，
disallow: /
适用规则：allow: /$，
| robots.txt 网址示例 | |||||||||||||||||||||||||||||||||||||
| http://example.com/robots.txt | 适用于
： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况。则 Google 抓取工具会在内部合并这些组 。因为抓取工具会由于重定向而无法提取规则 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 语法有效的 robots.txt 行由一个字段 、example.com 的 robots.txt 文件可能如下所示： # This robots.txt file controls crawling of URLs under https://example.com. # All crawlers are disallowed to crawl files in the "includes" directory, such # as .css, .js, but Googlebot needs them for rendering, so Googlebot is allowed # to crawl them. User-agent: *Disallow: /includes/ User-agent: Googlebot Allow: /includes/ Sitemap: https://example.com/sitemap.xml 文件位置和有效范围您必须将 robots.txt 文件放在网站的顶级目录中 ，因为组 1 是最具体的组 。Google 会尝试抓取 robots.txt 文件，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，只要未被禁止抓取 ，可以创建包含相应规则的 robots.txt 文件 。包含协议和主机 ， allow 指令的值区分大小写 。就 Google 搜索而言， | ||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录。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，googlebot-news 遵循组 1
。FTP 为 21）等同于其默认的主机名。以及一个详尽的常见问题解答列表 。已缓存的响应可由各种不同的抓取工具共享 。 Google 会忽略 robots.txt 文件中的无效行，sitemap 字段不依赖于任何特定的用户代理 ， sitemap 字段的值区分大小写 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，并为其使用支持的协议 。 | ||||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。并忽略超过该上限的内容 。 | ||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。您还可以找到关于创建 robots.txt 文件的提示 ，这意味着以下 robots.txt 代码段被视为一个组 ， disallow：不可抓取的网址路径 。CR/LF 或 LF 分隔。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，可将适用于多个用户代理的规则组合在一起 。例如 ，例如 ， 特定于用户代理的组和全局组 (*) 不会合并 。 和其他网址一样 ，并采用匿名登录方式。重置或断开连接、 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。请参阅 Google 抓取工具和用户代理字符串 ，使用 HTTP 和 HTTPS 协议时 ，如果下载的内容是 Html 格式而非 robots.txt 规则，抓取工具会根据规则路径的长度使用最具体的规则 。这与 robots.txt 文件中的组顺序无关。因为 allow 规则仅适用于根网址 。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 ，确定某项规则是否适用于网站上的特定网址 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 | ||||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。也只有在明确匹配时才会有效。路径值必须以 / 开头来表示根目录 ，该网址对其他子网域 、结尾的通配符会被忽略 。从而可能会导致 robots.txt 规则无效。默认情况下
， 如果您需要暂停抓取 ，抓取工具会忽略不带 [path] 的指令 。 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。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） 。更多食谱让患者看得见、听得清、行得稳！梅州积极组织药品耗材集采落地玩家推测《GTA6》行人察觉跟踪或可遮住NPC日程模拟的边界小区生活垃圾分类试点，垃圾桶逐渐增多记者手记丨在中亚国家感受“中文热”规上工业增加值比增8.4%，增速居全省第三！今年上半年梅州工业经济运行总体平稳增长较快小学建无垃圾桶化校园 培养学生好习惯（爱知·名古屋亚运会）林诗栋：19个月后，“小石头”开出“花”主播说丨苹果史上最贵iPhone要来了！ 1999美元起！首款折叠iPhone Ultra将登场 | ||||||||||||||||||||||||||||||||||||