allow 指令的何解值区分大小写 。Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本。因为存在多个匹配规则时 ，何解
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。谷歌规范可将适用于多个用户代理的何解规则组合在一起 。googlebot/1.2 和 googlebot* 均等同于 googlebot）
。谷歌规范其中 [path] 可以选择性使用。何解
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范抓取工具不会检查子目录中的何解 robots.txt 文件 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码 ，支持的何解协议包括 HTTP、
同样 ，谷歌规范
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，其他组会被忽略 。
disallow: /
适用规则：disallow: / ，并为其使用支持的协议。结尾的通配符会被忽略 。因为它更具体 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。该网址对其他子网域 、
如果您需要暂停抓取 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。只有一个组是有效的 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。路径值必须以 / 开头来表示根目录 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，只要未被禁止抓取 ，
user-agent 行的值不区分大小写 。
disallow: /folder
适用规则 ：allow: /folder ，它也可以在共享主机名下使用。
sitemap 字段的值区分大小写 。建议为网站上的每个网址提供 503 HTTP 状态代码。例如 ，
| 示例情况 | |||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，协议或端口号来说无效 。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 。 如果为用户代理声明多个特定组 ，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 ，例如，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，您还可以找到关于创建 robots.txt 文件的提示 ，任何更低级别的网址均可抓取 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。并且只使用有效行 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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 ， | ||||||||||||||||
| ftp://example.com/robots.txt | 适用于： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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。会忽略 sitemap 行 。这与 robots.txt 文件中的组顺序无关 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。系统会忽略行开头和结尾的空格
。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 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 。系统在处理时会将其视为服务器错误 。 和其他网址一样 ，如果连续 30 天以上无法访问 robots.txt ，Google 将使用限制性最弱的规则 。Google 会尝试抓取 robots.txt 文件 ，如果 robots.txt 文件的字符编码不是 UTF-8， 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时， | ||||||||||||||||
| 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，然后便会停止，也只有在明确匹配时才会有效。抓取工具会忽略不含路径的指令。端口号 、因此它只遵循组 1 。 | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 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。抓取工具会忽略不带 [path] 的指令
。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，则 Google 抓取工具会在内部合并这些组 。您可以指定多个 sitemap 字段 。指定的抓取工具没有抓取限制 。所有抓取工具都可以追踪它们 。 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 | ||||||||||||||||
| 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 。 | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 对于路径值 ，若要添加注释， | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，# 字符后面的所有内容都会被忽略 。googlebot-news 遵循组 1 。请参阅 REP 的第 2.1 节 。从而确定正确的规则组 。协议和端口号上的所有子目录中的所有文件有效 。协议和端口号 。因为组 1 是最具体的组。如果下载的内容是 Html 格式而非 robots.txt 规则 ，可以选择是否使用空格， | ||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。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） ，并将其作为 robots.txt 的 404 错误来处理。请先阅读我们的 robots.txt 简介 。 |
| Googlebot（网络） | googlebot 遵循组 3 。并忽略超过该上限的内容 。 allow：可抓取的网址路径。这意味着以下 robots.txt 代码段被视为一个组，默认情况下 ，Google 会尝试解析内容并提取规则 ，包含协议和主机，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 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 。 |
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 Google 抓取工具和用户代理字符串 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
Google 无法将禁止抓取的网页的内容编入索引 ，可以创建包含相应规则的 robots.txt 文件 。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 ， 特定于用户代理的组和全局组 (*) 不会合并。例如 ，将已排除的内容放在一个单独的目录中 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，确定某项规则是否适用于网站上的特定网址。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 ，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） 。抓取工具会根据规则路径的长度使用最具体的规则 。而忽略其他所有内容 。
本文介绍了 Google 对 REP 的解读 。
如果指定了 [path] 值 ，CR/LF 或 LF 分隔 。并采用匿名登录方式 。但该文件可能是共享的，在此情况下，
| 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。 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 。 Google 会忽略 robots.txt 文件中的无效行 ， | ||||||
| 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 。如果没有缓存副本 ，使用 HTTP 和 HTTPS 协议时 ，如果未指定路径 ，这也适用于重定向链中任何被禁止访问的网址 ，因此更具体。 allow 和 disallow 字段也称为指令。常见格式为 <field>:<value><#optional-comment> 。 | ||||||
| /*.php | 匹配包含 .php 的任何路径
。 robots.txt 文件中列出的规则只适用于该文件所在的主机、 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 。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 。robots.txt 文件是一个简单的文本文件，Google 会假定没有任何抓取限制。因为 allow 规则仅适用于根网址。
| ||||||