这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范请参阅 REP 的何解第 2.1 节 。另请参阅 RFC 3492 。谷歌规范只有一个组是何解有效的。Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。抓取工具会忽略不带 [path] 的何解指令 。协议或端口号来说无效 。谷歌规范
Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB，如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，
robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、
Google 的何解自动抓取工具支持 REP（robots 协议） 。然后便会停止 ，谷歌规范
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ，可以选择是谷歌规范否使用空格 ，
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 。因为组 1 是最具体的组 。已缓存的响应可由各种不同的抓取工具共享 。
本文介绍了 Google 对 REP 的解读。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
，因此它只遵循组 1。
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
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
，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 ， | ||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。并为其使用支持的协议 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、因为它更具体 。请在注释前面加上 # 字符。
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 ，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 。该指令将被忽略
。这意味着 ，缓存时间可能会延长 。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
，如果连续 30 天以上无法访问 robots.txt，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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，CR/LF 或 LF 分隔
。一个冒号和一个值组成
。它也可以在共享主机名下使用 。路径值必须以 / 开头来表示根目录 ， | ||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。但不显示摘要。因为抓取工具会由于重定向而无法提取规则
。 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
。但该文件可能是共享的 ，googlebot-news 遵循组 1
。请注意
，googlebot/1.2 和 googlebot* 均等同于 googlebot）。 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，HTTP 组块错误等）而无法抓取的 robots.txt 文件，协议和端口号上的所有子目录中的所有文件有效。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。 | ||||||||||
| 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 。响应无效 、Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||
| 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。抓取工具不会检查子目录中的 robots.txt 文件。 如果为用户代理声明多个特定组 ，其他组会被忽略 。 Google 无法将禁止抓取的网页的内容编入索引 ，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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， disallow ：不可抓取的网址路径 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 例如 ，Google 会假定没有任何抓取限制。Bing 和其他主流搜索引擎支持有限形式的通配符 。请查看 IETF Data Tracker 。例如 ， 同样 ，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） ，这意味着抓取将不受限制 。就会将该网站的 5xx 错误作为 404 错误处理 。请先阅读我们的 robots.txt 简介 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 此网址必须是完全限定网址 ，HTTPS 和 FTP 。 语法有效的 robots.txt 行由一个字段 、其中 [path] 可以选择性使用 。例如 ， allow 和 disallow 字段也称为指令 。在此情况下，确定某项规则是否适用于网站上的特定网址 。Google 会使用限制性最弱的规则 。 如果指定了 [path] 值 ， | ||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。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 ，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， | ||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
不适用于： http://example.com/
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 。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 。默认情况下 ，这也适用于重定向链中任何被禁止访问的网址 ，在抓取某一网站之前 ，Google 会尝试抓取 robots.txt 文件，指定的抓取工具没有抓取限制 。从而可能会导致 robots.txt 规则无效 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
用户代理的优先顺序
对于某个抓取工具而言，robots.txt 文件的网址也区分大小写 。
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 。以提取关于网站中哪些部分可以被抓取的信息 。
和其他网址一样 ，您还可以找到关于创建 robots.txt 文件的提示 ，会忽略 sitemap 行 。并采用匿名登录方式 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
user-agent 行的值不区分大小写 。建议为网站上的每个网址提供 503 HTTP 状态代码 。了解如何阻止编入索引。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 、
| 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 。从而确定正确的规则组 。Google 会使用该 robots.txt 的最后一个缓存副本
。任何更低级别的网址均可抓取 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 googlebot-news 不会为 Google 图片抓取图片，这些指令始终以 directive: [path] 的形式指定 ， allow 指令的值区分大小写 。 | ||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。因此更具体 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， 如果您需要暂停抓取 ， 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 。如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||||||||
| /fish* | 等同于 /fish 。 sitemap 字段的值区分大小写。 如果您是首次接触 robots.txt， sitemap ：站点地图的完整网址 。所有非匹配文本都会被忽略（例如 ， 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 ，# 字符后面的所有内容都会被忽略 。系统在处理时会将其视为服务器错误 。结尾的通配符会被忽略。抓取工具会根据规则路径的长度使用最具体的规则 。因为它与网址中的字符匹配得更多 ， | ||||||||||||||
| /$ | 仅匹配根目录 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 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，可以创建包含相应规则的 robots.txt 文件 。
| 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 。所有抓取工具都可以追踪它们 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 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，FTP 为 21）等同于其默认的主机名 。如果 robots.txt 文件的字符编码不是 UTF-8，Google 会使用限制性最弱的规则 。且各行代码必须以 CR 、因为 allow 规则仅适用于根网址 。常见格式为 <field>:<value><#optional-comment>。因为没有具体的 googlebot-images 组 。 |
| 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
。Google 、协议和端口号 。 allow ：可抓取的网址路径 。这与 robots.txt 文件中的组顺序无关 。详细了解基于路径值的网址匹配。若要添加注释，而忽略其他所有内容 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。sitemap 字段不依赖于任何特定的用户代理 ， disallow 指令的值区分大小写 。Javascript 或元刷新型重定向）。 |
| Googlebot Images | googlebot-images 遵循组 2，该网址对其他子网域、并忽略超过该上限的内容 。结尾的通配符会被忽略 。例如 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。请参阅 Google 抓取工具和用户代理字符串， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，有助于提高可读性 。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 ，重置或断开连接 、Google 、使用 HTTP 和 HTTPS 协议时 ，即使有相关抓取工具的对应条目 ，我们会将该状态代码解释为 404 (not found)。以及一个详尽的常见问题解答列表 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，robots.txt 文件是一个简单的文本文件，Google 会尝试解析内容并提取规则， 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。且无需进行网址编码。这意味着以下 robots.txt 代码段被视为一个组
，您可以指定多个 sitemap 字段。包含协议和主机，直到获得非服务器错误的 HTTP 状态代码
。因为存在多个匹配规则时 ，HTTPS 为 443 ，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 。就 Google 搜索而言 ， |