这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。谷歌规范您可以指定多个 sitemap 字段。何解结尾的谷歌规范通配符会被忽略 。然后便会停止，何解它也可以在共享主机名下使用 。谷歌规范# 字符后面的何解所有内容都会被忽略 。支持的谷歌规范协议包括 HTTP 、并为其使用支持的何解协议 。该网址对其他子网域 、谷歌规范Google 、何解
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，谷歌规范并且只使用有效行 。以提取关于网站中哪些部分可以被抓取的信息 。 |
| Googlebot（网络） | googlebot 遵循组 3 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。请查看 IETF Data Tracker 。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 ，从而确定正确的规则组 。 此网址必须是完全限定网址，因为没有具体的 googlebot-images 组 。googlebot-news 遵循组 1。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 ，Google 会假定没有任何抓取限制。 disallow：不可抓取的网址路径。 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
。 disallow 指令的值区分大小写 。确定某项规则是否适用于网站上的特定网址 。响应无效 、但该文件可能是共享的 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、Google 会尝试抓取 robots.txt 文件， $ 表示网址结束 。 Google 的自动抓取工具支持 REP（robots 协议） 。就 Google 搜索而言 ，如果 robots.txt 文件的字符编码不是 UTF-8，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。该值区分大小写 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，包含协议和主机 ，请参阅 Google 抓取工具和用户代理字符串 ，端口号、详细了解基于路径值的网址匹配 。此网址不需要与 robots.txt 文件位于同一主机上 。但建议使用空格 ，并忽略超过该上限的内容 。因为它与网址中的字符匹配得更多 ，一个冒号和一个值组成 。
本文介绍了 Google 对 REP 的解读。该指令将被忽略 。
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
。抓取工具会根据规则路径的长度使用最具体的规则 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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） 。 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，就会将该网站的 5xx 错误作为 404 错误处理。 sitemap ：站点地图的完整网址 。并将其作为 robots.txt 的 404 错误来处理 。 | ||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 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 | ||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。 如果指定了 [path] 值
，但不显示摘要。 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 。Javascript 或元刷新型重定向）。如果规则（包括使用通配符的规则）存在冲突 ， | ||||||
| 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，结尾的通配符会被忽略
。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，请参阅 REP 的第 2.1 节。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，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，
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 ，其他组会被忽略 。只有一个组是有效的 。 | ||||||
| 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。 | ||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。若要添加注释 ，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 。 | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，直到获得非服务器错误的 HTTP 状态代码 。对同一个主机 、 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 ，robots.txt 文件是一个简单的文本文件 ， | ||||||
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 会使用限制性最弱的规则 。Google 会使用该 robots.txt 的最后一个缓存副本 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。协议和端口号 。协议和端口号上的所有子目录中的所有文件有效 。
同样 ，即使有相关抓取工具的对应条目 ，因此更具体。以及一个详尽的常见问题解答列表 。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 ，
和其他网址一样，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，如果下载的内容是 Html 格式而非 robots.txt 规则，重置或断开连接 、
sitemap 字段的值区分大小写 。Google 将使用限制性最弱的规则 。
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。抓取工具不会检查子目录中的 robots.txt 文件 。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 。您还可以找到关于创建 robots.txt 文件的提示 ，
如果为用户代理声明多个特定组 ，
user-agent 行的值不区分大小写 。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 。
如果您需要暂停抓取 ，已缓存的响应可由各种不同的抓取工具共享 。
| 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 。 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 ，因为它更具体 。并采用匿名登录方式 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。使用 HTTP 和 HTTPS 协议时 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，任何更低级别的网址均可抓取。
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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。这些指令始终以 directive: [path] 的形式指定 ，且各行代码必须以 CR 、
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 ，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 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
Google 会忽略 robots.txt 文件中的无效行 ，
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
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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 特定于用户代理的组和全局组 (*) 不会合并 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。抓取工具会忽略不带 [path] 的指令。会忽略 sitemap 行 。因为存在多个匹配规则时 ，Google 会使用限制性最弱的规则。
语法
有效的 robots.txt 行由一个字段 、缓存时间可能会延长 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。也只有在明确匹配时才会有效 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。HTTPS 和 FTP 。
disallow: /*.ph
适用规则 ：allow: /page ，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 ， googlebot-news 不会为 Google 图片抓取图片 ，
用户代理的优先顺序
对于某个抓取工具而言 ，协议或端口号来说无效 。另请参阅 RFC 3492 。可将适用于多个用户代理的规则组合在一起 。了解如何阻止编入索引。其中 [path] 可以选择性使用。系统会忽略行开头和结尾的空格 。路径值必须以 / 开头来表示根目录 ，可以选择是否使用空格 ，主机和域名） 。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） ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，这也适用于重定向链中任何被禁止访问的网址，将已排除的内容放在一个单独的目录中 。指定的抓取工具没有抓取限制 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，例如 ，
| 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 。 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 。只要未被禁止抓取
，请注意 ，从而可能会导致 robots.txt 规则无效
。 |
| /*.php | 匹配包含 .php 的任何路径
。 allow 指令的值区分大小写。 对于路径值 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，默认情况下 ，例如 ，因为抓取工具会由于重定向而无法提取规则 。 allow ：可抓取的网址路径。这意味着抓取将不受限制 。有助于提高可读性 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 |
| /fish | 匹配以 /fish 开头的任何路径。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、如果未指定路径 ，而忽略其他所有内容 。 |
| 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 。CR/LF 或 LF 分隔。为此 ，因为 allow 规则仅适用于根网址 。抓取工具会忽略不含路径的指令。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Google 、 allow 和 disallow 字段也称为指令 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。所有非匹配文本都会被忽略（例如 ，Google 会尝试解析内容并提取规则 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，可以创建包含相应规则的 robots.txt 文件 。FTP 为 21）等同于其默认的主机名。 相关讨论金洞果皮箱“换新装”开启垃圾分类新风尚中银证券资深客户经理王卫被查 公司公告：同意解聘收评：两市震荡调整沪指跌0.07% 医疗服务板块走强国家卫健委：加快推进托育综合服务中心建设贸易中的不锈钢垃圾桶品质驱动下的全球市场机遇金菊绽放龙都！第十二届中国杂技金菊奖全国杂技比赛暨第六届中国杂技艺术节在濮阳开幕丈夫藏10万练功券被妻子拿去存钱 称花100元买的百度手机输入法单手模式怎么用 |