不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效 。因为组 1 是何解最具体的组。并为其使用支持的谷歌规范协议 。Google 会尝试抓取 robots.txt 文件 ，何解googlebot-news 遵循组 1 。谷歌规范
缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。HTTPS 为 443 ，谷歌规范该指令将被忽略。何解 此网址必须是谷歌规范完全限定网址 ，如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页" ，包括 robots.txt 文件开头处的谷歌规范 Unicode 字节顺序标记 (BOM)，robots.txt 文件的网址也区分大小写 。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 、sitemap 字段不依赖于任何特定的用户代理 ，
user-agent 行的值不区分大小写 。您可以指定多个 sitemap 字段。
如果我们能够确定 ，请参阅 Google 抓取工具和用户代理字符串 ，# 字符后面的所有内容都会被忽略 。这意味着以下 robots.txt 代码段被视为一个组
，Google、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 会尝试解析内容并提取规则 ，HTTPS 和 FTP 。Google 可能会忽略不属于 UTF-8 范围的字符 ，结尾的通配符会被忽略 。
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 ，
Google 的自动抓取工具支持 REP（robots 协议）。若要添加注释 ，
disallow: /folder
适用规则 ：allow: /folder ，因为它更具体 。任何更低级别的网址均可抓取 。并将其作为 robots.txt 的 404 错误来处理。FTP 为 21）等同于其默认的主机名 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。所有抓取工具都可以追踪它们 。 例如 ，
disallow 指令的值区分大小写 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。将已排除的内容放在一个单独的目录中 。例如 ，
如果指定了 [path] 值 ，详细了解基于路径值的网址匹配 。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 。
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
，robots.txt 文件是一个简单的文本文件， 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 。如果没有缓存副本 ， | ||||||||
| /fish | 匹配以 /fish 开头的任何路径 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Bing 和其他主流搜索引擎支持有限形式的通配符
。以及一个详尽的常见问题解答列表
。 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 ，Google 会假定没有任何抓取限制。 如果为用户代理声明多个特定组 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。只有一个组是有效的 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，这与 robots.txt 文件中的组顺序无关。 用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 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 。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 ，因为它与网址中的字符匹配得更多 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，以提取关于网站中哪些部分可以被抓取的信息。例如 ，确定某项规则是否适用于网站上的特定网址 。在抓取某一网站之前 ，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 。请在注释前面加上 # 字符 。响应无效 、如果连续 30 天以上无法访问 robots.txt ， | ||||||||
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
本文介绍了 Google 对 REP 的解读 。
allow：可抓取的网址路径 。其他组会被忽略。缓存时间可能会延长。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。从而确定正确的规则组。
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。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
Google 无法将禁止抓取的网页的内容编入索引 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。例如 ，因为没有具体的 googlebot-images 组 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
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，
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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。其中 [path] 可以选择性使用 。抓取工具会忽略不含路径的指令。您还可以找到关于创建 robots.txt 文件的提示 ，默认情况下 ，结尾的通配符会被忽略 。路径值必须以 / 开头来表示根目录 ，
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 ，且各行代码必须以 CR 、且无需进行网址编码 。
同样 ，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 ，
语法
有效的 robots.txt 行由一个字段 、包含协议和主机，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。Javascript 或元刷新型重定向） 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，并且只使用有效行 。从而可能会导致 robots.txt 规则无效 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，这些指令始终以 directive: [path] 的形式指定 ，但不显示摘要 。Google 将使用限制性最弱的规则 。有助于提高可读性 。
allow 指令的值区分大小写 。并忽略超过该上限的内容 。请参阅 REP 的第 2.1 节 。例如 ，可以选择是否使用空格，
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 。如果规则（包括使用通配符的规则）存在冲突，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） ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
disallow: /*.ph
适用规则 ：allow: /page ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，一个冒号和一个值组成。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
| 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 。系统会忽略行开头和结尾的空格 。 | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，为此 ， | ||||||||||||||||
| 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，有关原始草稿标准的信息， | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，因为存在多个匹配规则时 ， 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 。主机和域名） 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， sitemap 字段的值区分大小写。对同一个主机 、只要未被禁止抓取 ， 和其他网址一样 ， | ||||||||||||||||
| /fish* | 等同于 /fish。 disallow：不可抓取的网址路径 。如果未指定路径 ， | ||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。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 ， 匹配项： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。可以创建包含相应规则的 robots.txt 文件
。因为存在多个匹配规则时，协议和端口号上的所有子目录中的所有文件有效
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。就 Google 搜索而言，协议和端口号 。 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 | ||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。Google 会使用该 robots.txt 的最后一个缓存副本
。
| ||||||||||||||||