不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。因为组 1 是谷歌规范最具体的组 。所有抓取工具都可以追踪它们 。何解
如果我们能够确定 ，谷歌规范Google 会使用该 robots.txt 的何解最后一个缓存副本。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 。也不适用于用来提高用户安全性的何解抓取工具（例如恶意软件分析） 。
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的何解 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
。并忽略超过该上限的谷歌规范内容 。 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何解规则组 ： 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 ， |
| http://www.exämple.com/robots.txt | 适用于 ： http://www.exämple.com/ http://xn--exmple-cua.com/ 不适用于 ： http://www.example.com/ IDN 等同于其对应的谷歌规范 Punycode 版本 。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。使用 HTTP 和 HTTPS 协议时 ， |
| 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 ，其他组会被忽略 。其中 [path] 可以选择性使用
。 allow：可抓取的网址路径 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
Google 的自动抓取工具支持 REP（robots 协议） 。协议和端口号上的所有子目录中的所有文件有效 。
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
用户代理的优先顺序
对于某个抓取工具而言 ，
本文介绍了 Google 对 REP 的解读 。如果连续 30 天以上无法访问 robots.txt，sitemap 字段不依赖于任何特定的用户代理 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
allow 指令的值区分大小写 。
allow 和 disallow 字段也称为指令 。在此情况下 ，
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 ，确定某项规则是否适用于网站上的特定网址 。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 ，可将适用于多个用户代理的规则组合在一起。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。且各行代码必须以 CR 、robots.txt 文件是一个简单的文本文件，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。详细了解基于路径值的网址匹配
。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，此网址不需要与 robots.txt 文件位于同一主机上 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。从而可能会导致 robots.txt 规则无效 。 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 ，为此 ，
对于路径值 ，协议或端口号来说无效 。了解如何阻止编入索引 。即使有相关抓取工具的对应条目 ，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 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ， 如果您是首次接触 robots.txt ，这与 robots.txt 文件中的组顺序无关 。该指令将被忽略。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Google 会尝试抓取 robots.txt 文件 ，
如果指定了 [path] 值 ，请先阅读我们的 robots.txt 简介 。Google 可能会忽略不属于 UTF-8 范围的字符 ，因此它只遵循组 1 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。支持的协议包括 HTTP 、
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
sitemap ：站点地图的完整网址 。Google 会使用限制性最弱的规则 。
sitemap 字段的值区分大小写 。
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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，默认情况下 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
disallow: /
适用规则 ：disallow: / ，因为存在多个匹配规则时 ，我们会将该状态代码解释为 404 (not found) 。抓取工具会根据规则路径的长度使用最具体的规则 。就会将该网站的 5xx 错误作为 404 错误处理 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，因为存在多个匹配规则时 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 会尝试解析内容并提取规则，# 字符后面的所有内容都会被忽略。并将其作为 robots.txt 的 404 错误来处理 。您还可以找到关于创建 robots.txt 文件的提示，请参阅 Google 抓取工具和用户代理字符串，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，这意味着 ，
$ 表示网址结束 。主机和域名） 。可以创建包含相应规则的 robots.txt 文件 。
同样 ，以提取关于网站中哪些部分可以被抓取的信息 。而忽略其他所有内容。如果未指定路径 ，路径值必须以 / 开头来表示根目录，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 ，
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 。可以选择是否使用空格 ，常见格式为 <field>:<value><#optional-comment> 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，有关原始草稿标准的信息 ，HTTPS 和 FTP 。这意味着以下 robots.txt 代码段被视为一个组，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。直到获得非服务器错误的 HTTP 状态代码 。抓取工具会忽略不含路径的指令 。
Google 会忽略 robots.txt 文件中的无效行 ，Google 会假定没有任何抓取限制。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，且无需进行网址编码 。
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，CR/LF 或 LF 分隔 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。结尾的通配符会被忽略 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，任何更低级别的网址均可抓取。因为 allow 规则仅适用于根网址 。建议为网站上的每个网址提供 503 HTTP 状态代码 。则 Google 抓取工具会在内部合并这些组 。Google 、该值区分大小写 。这意味着抓取将不受限制 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、 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 。从而确定正确的规则组 。但该文件可能是共享的 ，因为没有具体的 googlebot-images 组 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，Javascript 或元刷新型重定向）。系统在处理时会将其视为服务器错误 。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 ，
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 。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 ，有助于提高可读性 。也只有在明确匹配时才会有效 。
如果您需要暂停抓取 ，googlebot-news 遵循组 1 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
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。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 。
disallow: /*.ph
适用规则 ：allow: /page ，但不显示摘要。抓取工具会忽略不带 [path] 的指令 。
Google 无法将禁止抓取的网页的内容编入索引 ，
disallow 指令的值区分大小写 。
语法
有效的 robots.txt 行由一个字段、因此更具体 。
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
robots.txt 文件中列出的规则只适用于该文件所在的主机 、这也适用于重定向链中任何被禁止访问的网址 ，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） ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
disallow: /
适用规则 ：allow: /$ ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址。请注意，协议和端口号
。 如果为用户代理声明多个特定组 ，结尾的通配符会被忽略 。例如，缓存时间可能会延长 。另请参阅 RFC 3492 。Google 、并为其使用支持的协议 。以及一个详尽的常见问题解答列表 。响应无效 、 和其他网址一样 ，若要添加注释 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。 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，这些指令始终以 directive: [path] 的形式指定 ， user-agent 行的值不区分大小写。Bing 和其他主流搜索引擎支持有限形式的通配符 。503 (service unavailable) 错误会导致非常频繁的重试操作 。如果没有缓存副本 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
| ||||||||||||||