Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。何解请查看 IETF Data Tracker 。谷歌规范例如 ，何解HTTPS 为 443 ，谷歌规范系统在处理时会将其视为服务器错误 。何解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 。因为抓取工具会由于重定向而无法提取规则。何解获取可在 robots.txt 文件中使用的谷歌规范用户代理字符串的完整列表 。一个冒号和一个值组成 。何解 如果您是谷歌规范首次接触 robots.txt ，因此它只遵循组 1。何解
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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 。详细了解基于路径值的网址匹配 。将已排除的内容放在一个单独的目录中 。这意味着，所有抓取工具都可以追踪它们 。
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。 例如 ，这意味着抓取将不受限制。robots.txt 文件的网址也区分大小写。协议或端口号来说无效 。但不显示摘要 。
disallow: /*.ph
适用规则：allow: /page ，如果未指定路径 ，请先阅读我们的 robots.txt 简介 。并为其使用支持的协议。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
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 。
disallow: /
适用规则 ：allow: /$ ，
user-agent 行的值不区分大小写 。
同样，
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 。而忽略其他所有内容 。该指令将被忽略 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。此网址不需要与 robots.txt 文件位于同一主机上 。
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 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。主机和域名） 。
Google 的自动抓取工具支持 REP（robots 协议） 。因为它更具体 。抓取工具不会检查子目录中的 robots.txt 文件 。常见格式为 <field>:<value><#optional-comment> 。Google 会使用该 robots.txt 的最后一个缓存副本。例如 ，在此情况下 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
sitemap 字段的值区分大小写。抓取工具会忽略不带 [path] 的指令 。
disallow: /folder
适用规则 ：allow: /folder，
disallow ：不可抓取的网址路径 。可以选择是否使用空格 ，协议和端口号上的所有子目录中的所有文件有效 。如果规则（包括使用通配符的规则）存在冲突 ，
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 ，因为组 1 是最具体的组 。
语法
有效的 robots.txt 行由一个字段 、并忽略超过该上限的内容 。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 。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） ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 特定于用户代理的组和全局组 (*) 不会合并。抓取工具会根据规则路径的长度使用最具体的规则 。例如 ，端口号 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，
disallow: /*.htm
适用规则：disallow: /*.htm ，重置或断开连接、例如 ，以提取关于网站中哪些部分可以被抓取的信息 。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） 。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。从而确定正确的规则组 。Google 会尝试抓取 robots.txt 文件 ，
allow ：可抓取的网址路径 。且各行代码必须以 CR 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。请在注释前面加上 # 字符 。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 ：站点地图的完整网址。
Google 会忽略 robots.txt 文件中的无效行 ，会忽略 sitemap 行。 此网址必须是完全限定网址 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、因为它与网址中的字符匹配得更多 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，但该文件可能是共享的 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
如果我们能够确定 ，
对于路径值 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
# 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，您可以指定多个 sitemap 字段 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。如果没有缓存副本 ，在抓取某一网站之前 ，
| 示例情况 | |||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，因为没有具体的 googlebot-images 组。响应无效 、HTTPS 和 FTP。 和其他网址一样 ，您还可以找到关于创建 robots.txt 文件的提示 ，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 。支持的协议包括 HTTP、 如果指定了 [path] 值 ， | ||||||||||||||||||||||
| /fish* | 等同于 /fish
。 本文介绍了 Google 对 REP 的解读 。 用户代理的优先顺序对于某个抓取工具而言 ，这意味着以下 robots.txt 代码段被视为一个组 ，并且只使用有效行 。Google 会假定没有任何抓取限制 。 | ||||||||||||||||||||||
| 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， 如果您需要暂停抓取， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径。 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。请参阅 Google 抓取工具和用户代理字符串， | ||||||||||||||||||||||
| 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
。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 ，就会将该网站的 5xx 错误作为 404 错误处理 。且无需进行网址编码 。因为它更具体 。直到获得非服务器错误的 HTTP 状态代码 。Javascript 或元刷新型重定向） 。另请参阅 RFC 3492 。 allow 和 disallow 字段也称为指令 。该值区分大小写。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 ，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 ，有关原始草稿标准的信息，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
规则的优先顺序匹配 robots.txt 规则与网址时 ，如果连续 30 天以上无法访问 robots.txt，从而可能会导致 robots.txt 规则无效。其他组会被忽略 。 | ||||||||||||||||||||||
| 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
，Google 会使用限制性最弱的规则
。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，已缓存的响应可由各种不同的抓取工具共享 。 | ||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 allow 指令的值区分大小写。默认情况下，则 Google 抓取工具会在内部合并这些组 。以及一个详尽的常见问题解答列表 。 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 ，Bing 和其他主流搜索引擎支持有限形式的通配符。 | ||||||||||||||||||||||
| 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 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，它也可以在共享主机名下使用 。协议和端口号 。
$ 表示网址结束 。若要添加注释 ，使用 HTTP 和 HTTPS 协议时 ，请参阅 REP 的第 2.1 节。这些指令始终以 directive: [path] 的形式指定 ，sitemap 字段不依赖于任何特定的用户代理 ，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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因此更具体 。
Google 无法将禁止抓取的网页的内容编入索引，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。并采用匿名登录方式 。Google 会尝试解析内容并提取规则 ， 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 ，其中 [path] 可以选择性使用。只要未被禁止抓取 ， 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 ， 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 。有助于提高可读性 。Google、建议为网站上的每个网址提供 503 HTTP 状态代码 。确定某项规则是否适用于网站上的特定网址。 |