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 地址作为主机名的谷歌规范 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。支持的何解协议包括 HTTP、
disallow ：不可抓取的谷歌规范网址路径 。例如 ，何解但在无法刷新缓存版本的谷歌规范情况下（例如出现超时或 5xx 错误时） ，
什么是何解 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，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、协议和端口号 。
语法
有效的 robots.txt 行由一个字段 、以及一个详尽的常见问题解答列表 。所有非匹配文本都会被忽略（例如 ，则 Google 抓取工具会在内部合并这些组 。抓取工具会忽略不含路径的指令。但该文件可能是共享的 ，因为它更具体 。
Google 的自动抓取工具支持 REP（robots 协议） 。
$ 表示网址结束 。# 字符后面的所有内容都会被忽略 。端口号、任何更低级别的网址均可抓取。
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，在抓取某一网站之前 ，该网址对其他子网域 、CR/LF 或 LF 分隔 。也只有在明确匹配时才会有效。 | ||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ， googlebot-news 不会为 Google 图片抓取图片 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、请先阅读我们的 robots.txt 简介 。已缓存的响应可由各种不同的抓取工具共享 。 特定于用户代理的组和全局组 (*) 不会合并 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google 会尝试抓取 robots.txt 文件 ， 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 。 user-agent 行的值不区分大小写
。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。可将适用于多个用户代理的规则组合在一起 。可以创建包含相应规则的 robots.txt 文件 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 # 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 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，我们会将该状态代码解释为 404 (not found) 。并将其作为 robots.txt 的 404 错误来处理 。另请参阅 RFC 3492 。 此网址必须是完全限定网址 ，协议或端口号来说无效 。例如 ，例如， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，抓取工具会根据规则路径的长度使用最具体的规则 。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 ， 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||
| 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 Punycode 版本。抓取工具会使用标准 RETR (RETRIEVE) 命令， | ||||||
| /fish | 匹配以 /fish 开头的任何路径 。因为它与网址中的字符匹配得更多 ，因为它更具体 。 | ||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
* 表示出现 0 次或多次的任何有效字符。Google 可能会忽略不属于 UTF-8 范围的字符 ，
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、结尾的通配符会被忽略 。如果连续 30 天以上无法访问 robots.txt ，robots.txt 文件是一个简单的文本文件 ，
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 。对同一个主机 、因为组 1 是最具体的组 。Google 会使用限制性最弱的规则 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。确定某项规则是否适用于网站上的特定网址 。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 ，即使有相关抓取工具的对应条目，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，直到获得非服务器错误的 HTTP 状态代码 。 |
| 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 。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，这意味着抓取将不受限制 。但建议使用空格，因此它只遵循组 1 。且无需进行网址编码。指定的抓取工具没有抓取限制 。如果没有缓存副本 ，抓取工具不会检查子目录中的 robots.txt 文件 。 |
| Googlebot News（抓取图片时） | 抓取图片时，Google 会假定没有任何抓取限制 。因为存在多个匹配规则时
， 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 。Google、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
。 如果指定了 [path] 值 ，Google 会尝试解析内容并提取规则 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。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 、Google 将使用限制性最弱的规则 。 disallow 指令的值区分大小写。 |
| 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 。只有一个组是有效的 。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 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
如果为用户代理声明多个特定组 ，主机和域名） 。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 。它也可以在共享主机名下使用 。
sitemap ：站点地图的完整网址。
同样 ，该值区分大小写 。您还可以找到关于创建 robots.txt 文件的提示 ，
allow 和 disallow 字段也称为指令 。
disallow: /
适用规则 ：allow: /$ ，HTTPS 和 FTP。
如果您需要暂停抓取，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，您可以指定多个 sitemap 字段。robots.txt 文件的网址也区分大小写 。系统在处理时会将其视为服务器错误 。此网址不需要与 robots.txt 文件位于同一主机上 。
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。并忽略超过该上限的内容 。
disallow: /*.ph
适用规则 ：allow: /page ，HTTPS 为 443 ，一个冒号和一个值组成。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 。
如果我们能够确定 ，了解如何阻止编入索引。
| 示例情况 | |||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， 和其他网址一样 ，系统会忽略行开头和结尾的空格 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、其他组会被忽略 。例如 ，常见格式为 <field>:<value><#optional-comment> 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 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
，sitemap 字段不依赖于任何特定的用户代理
，将已排除的内容放在一个单独的目录中 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，会忽略 sitemap 行 。 本文介绍了 Google 对 REP 的解读 。 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。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 ，而忽略其他所有内容 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。 | ||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。 Google 会忽略 robots.txt 文件中的无效行 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，在此情况下 ，这意味着 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 用户代理的优先顺序对于某个抓取工具而言 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||||||||||||||||