Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、
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 。Google 会尝试解析内容并提取规则 ，谷歌规范
allow ：可抓取的何解网址路径 。该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效，您可以指定多个 sitemap 字段。何解503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作 。缓存时间可能会延长。何解因为抓取工具会由于重定向而无法提取规则 。谷歌规范
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的何解 Punycode 版本 。响应无效、谷歌规范则 Google 抓取工具会在内部合并这些组 。何解这与 robots.txt 文件中的谷歌规范组顺序无关 。Google 会使用限制性最弱的何解规则 。
如果为用户代理声明多个特定组 ，也只有在明确匹配时才会有效 。
user-agent 行的值不区分大小写 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。例如 ，从而确定正确的规则组 。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 ，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） 。可以创建包含相应规则的 robots.txt 文件。 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 。有关原始草稿标准的信息，结尾的通配符会被忽略 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，robots.txt 文件的网址也区分大小写 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、这些通配符包括
： * 表示出现 0 次或多次的任何有效字符 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，抓取工具会忽略不含路径的指令。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。抓取工具会根据规则路径的长度使用最具体的规则 。因为存在多个匹配规则时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请在注释前面加上 # 字符。这意味着 ，如果规则（包括使用通配符的规则）存在冲突 ，该网址对其他子网域 、该指令将被忽略。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
sitemap ：站点地图的完整网址 。
Google 会忽略 robots.txt 文件中的无效行 ，因为它更具体 。
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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因此它只遵循组 1 。
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 ，
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
disallow: /*.htm
适用规则 ：disallow: /*.htm ，因此更具体 。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、
disallow: /*.ph
适用规则 ：allow: /page ，只有一个组是有效的。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
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 。直到获得非服务器错误的 HTTP 状态代码 。以及一个详尽的常见问题解答列表 。
| 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。任何更低级别的网址均可抓取 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
allow 和 disallow 字段也称为指令 。这些指令始终以 directive: [path] 的形式指定 ， | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，请查看 IETF Data Tracker 。为此， 本文介绍了 Google 对 REP 的解读。# 字符后面的所有内容都会被忽略 。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。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，该值区分大小写 。 | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。 例如， | ||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，因为它与网址中的字符匹配得更多 ，
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 ， 此网址必须是完全限定网址 ，
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 ，请参阅 REP 的第 2.1 节 。可以选择是否使用空格 ，HTTPS 为 443，对同一个主机 、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，Google 会假定没有任何抓取限制 。已缓存的响应可由各种不同的抓取工具共享 。如果未指定路径 ，Google 、包含协议和主机，例如 ，即使有相关抓取工具的对应条目 ，它也可以在共享主机名下使用 。然后便会停止 ，且无需进行网址编码。常见格式为 <field>:<value><#optional-comment>。
Google 的自动抓取工具支持 REP（robots 协议）。详细了解基于路径值的网址匹配 。我们会将该状态代码解释为 404 (not found) 。 如果您是首次接触 robots.txt ，因为 allow 规则仅适用于根网址 。
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，有助于提高可读性 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
allow 指令的值区分大小写 。协议或端口号来说无效 。可将适用于多个用户代理的规则组合在一起。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 。googlebot-news 遵循组 1。这也适用于重定向链中任何被禁止访问的网址 ，但建议使用空格 ，Javascript 或元刷新型重定向） 。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 ，例如 ，在此情况下 ，了解如何阻止编入索引 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。请参阅 Google 抓取工具和用户代理字符串 ，例如 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。但不显示摘要 。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 组块错误等）而无法抓取的 robots.txt 文件 ，指定的抓取工具没有抓取限制 。
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 ， | ||||
| 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 ，默认情况下 ，HTTPS 和 FTP 。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 ，Google 将使用限制性最弱的规则 。且各行代码必须以 CR 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 同样 ， | ||||
| 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 。您还可以找到关于创建 robots.txt 文件的提示 ，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），就 Google 搜索而言，协议和端口号 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。因为没有具体的 googlebot-images 组。协议和端口号上的所有子目录中的所有文件有效。而忽略其他所有内容。请先阅读我们的 robots.txt 简介 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，抓取工具不会检查子目录中的 robots.txt 文件。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，Google 会尝试抓取 robots.txt 文件 ，请注意， 对于路径值 ， 语法有效的 robots.txt 行由一个字段 、Google 会使用限制性最弱的规则 。robots.txt 文件是一个简单的文本文件 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。因为组 1 是最具体的组 。其他组会被忽略 。支持的协议包括 HTTP 、并且只使用有效行。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。并采用匿名登录方式 。另请参阅 RFC 3492。这意味着以下 robots.txt 代码段被视为一个组 ， | ||||
| 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 。将已排除的内容放在一个单独的目录中 。所有抓取工具都可以追踪它们。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 ， 和其他网址一样
， disallow 指令的值区分大小写 。
| ||||