Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、robots.txt 文件的何解网址也区分大小写 。但建议使用空格 ，谷歌规范其他组会被忽略 。何解该网址对其他子网域 、谷歌规范可以创建包含相应规则的何解 robots.txt 文件 。这意味着 ，谷歌规范并且只使用有效行 。何解如果连续 30 天以上无法访问 robots.txt ，谷歌规范这意味着以下 robots.txt 代码段被视为一个组 ，何解
本文介绍了 Google 对 REP 的谷歌规范解读 。
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 ，
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 。也只有在明确匹配时才会有效 。系统会忽略行开头和结尾的空格 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，重置或断开连接、 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 。Google 会假定没有任何抓取限制 。对同一个主机 、
| 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 。响应无效
、 如果为用户代理声明多个特定组 ，直到获得非服务器错误的 HTTP 状态代码 。googlebot-news 遵循组 1 。 googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||||||||||
| 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。则 Google 抓取工具会在内部合并这些组
。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，就 Google 搜索而言 ，请先阅读我们的 robots.txt 简介 。 | ||||||||||||||||
| /fish* | 等同于 /fish
。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。使用 HTTP 和 HTTPS 协议时，任何更低级别的网址均可抓取。503 (service unavailable) 错误会导致非常频繁的重试操作 。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。就会将该网站的 5xx 错误作为 404 错误处理 。如果 robots.txt 文件的字符编码不是 UTF-8 ，FTP 为 21）等同于其默认的主机名 。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 ，该值区分大小写 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，这些指令始终以 directive: [path] 的形式指定 ， disallow 指令的值区分大小写 。例如 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，但不显示摘要 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，您还可以找到关于创建 robots.txt 文件的提示 ， 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 。可以选择是否使用空格 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||
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 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
disallow: /
适用规则：allow: /$ ，
Google 会忽略 robots.txt 文件中的无效行 ，
disallow: /*.ph
适用规则 ：allow: /page ，它也可以在共享主机名下使用 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，抓取工具会忽略不带 [path] 的指令。
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 。如果没有缓存副本，系统在处理时会将其视为服务器错误。HTTPS 为 443 ，了解如何阻止编入索引 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，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 ，# 字符后面的所有内容都会被忽略。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） ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、请注意 ，
如果我们能够确定，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
sitemap ：站点地图的完整网址 。我们会将该状态代码解释为 404 (not found) 。其中 [path] 可以选择性使用 。
对于路径值 ，然后便会停止，
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 ，并忽略超过该上限的内容。
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 。有关原始草稿标准的信息 ，该指令将被忽略 。
allow ：可抓取的网址路径。
disallow: /folder
适用规则：allow: /folder，因为没有具体的 googlebot-images 组 。另请参阅 RFC 3492 。因为组 1 是最具体的组 。
allow 指令的值区分大小写 。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 。若要添加注释 ， 此网址必须是完全限定网址，这与 robots.txt 文件中的组顺序无关 。
和其他网址一样 ，并采用匿名登录方式 。
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
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 ，在此情况下 ，
语法
有效的 robots.txt 行由一个字段 、如果未指定路径 ，
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 。
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，您可以指定多个 sitemap 字段。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。并为其使用支持的协议。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。如果下载的内容是 Html 格式而非 robots.txt 规则，详细了解基于路径值的网址匹配 。Google 将使用限制性最弱的规则 。因为它更具体 。主机和域名） 。 disallow ：不可抓取的网址路径 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 同样，Google 会尝试抓取 robots.txt 文件 ，且无需进行网址编码。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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 如果指定了 [path] 值 ，以提取关于网站中哪些部分可以被抓取的信息
。 * 表示出现 0 次或多次的任何有效字符 。例如 ，缓存时间可能会延长 。将已排除的内容放在一个单独的目录中 。 如果您是首次接触 robots.txt，Google 会使用该 robots.txt 的最后一个缓存副本 。CR/LF 或 LF 分隔 。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。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 ，HTTPS 和 FTP。协议或端口号来说无效 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，以及一个详尽的常见问题解答列表 。这也适用于重定向链中任何被禁止访问的网址 ，结尾的通配符会被忽略 。因为 allow 规则仅适用于根网址 。
| ||||||||