Google 无法将禁止抓取的何解网页的内容编入索引，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 。
和其他网址一样 ，何解
如果您需要暂停抓取 ，谷歌规范这意味着抓取将不受限制 。何解结尾的谷歌规范通配符会被忽略 。缓存时间可能会延长。何解
不适用于： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效 。协议或端口号来说无效。何解sitemap 字段不依赖于任何特定的谷歌规范用户代理，请查看 IETF Data Tracker 。何解
本文介绍了 Google 对 REP 的谷歌规范解读。有关原始草稿标准的何解信息 ，其他组会被忽略 。谷歌规范请参阅 Google 抓取工具和用户代理字符串 ，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） ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。Google 会使用该 robots.txt 的最后一个缓存副本。
用户代理的优先顺序
对于某个抓取工具而言，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），# 字符后面的所有内容都会被忽略 。若要添加注释 ，默认情况下，支持的协议包括 HTTP 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。并且只使用有效行 。这也适用于重定向链中任何被禁止访问的网址 ，
disallow 指令的值区分大小写 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。您可以指定多个 sitemap 字段 。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 。抓取工具会忽略不含路径的指令 。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 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，确定某项规则是否适用于网站上的特定网址 。抓取工具会使用标准 RETR (RETRIEVE) 命令，只要未被禁止抓取 ，
$ 表示网址结束 。然后便会停止 ，
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，
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 。但该文件可能是共享的 ，这意味着 ，
disallow ：不可抓取的网址路径 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，而忽略其他所有内容 。
allow 指令的值区分大小写 。Google 会使用限制性最弱的规则。HTTPS 和 FTP 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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。可以创建包含相应规则的 robots.txt 文件 。
disallow: /folder
适用规则 ：allow: /folder ，所有非匹配文本都会被忽略（例如 ，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 ，结尾的通配符会被忽略 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。语法有效的 robots.txt 行由一个字段 、该值区分大小写 。对同一个主机、我们会将该状态代码解释为 404 (not found) 。系统会忽略行开头和结尾的空格 。该网址对其他子网域 、HTTPS 为 443 ，因此更具体 。有助于提高可读性 。会忽略 sitemap 行 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 如果为用户代理声明多个特定组，此网址不需要与 robots.txt 文件位于同一主机上 。一个冒号和一个值组成 。 |
| 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 。其中 [path] 可以选择性使用 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、系统在处理时会将其视为服务器错误 。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 ，如果未指定路径 ，直到获得非服务器错误的 HTTP 状态代码 。以提取关于网站中哪些部分可以被抓取的信息。但不显示摘要 。协议和端口号上的所有子目录中的所有文件有效 。并采用匿名登录方式。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，且各行代码必须以 CR 、 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、使用 HTTP 和 HTTPS 协议时 ，响应无效 、重置或断开连接 、 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，如果下载的内容是 Html 格式而非 robots.txt 规则 ，从而确定正确的规则组 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因为 allow 规则仅适用于根网址 。Javascript 或元刷新型重定向）。FTP 为 21）等同于其默认的主机名 。包含协议和主机 ，已缓存的响应可由各种不同的抓取工具共享 。请在注释前面加上 # 字符 。Google、在此情况下 ，
allow 和 disallow 字段也称为指令 。 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 。就会将该网站的 5xx 错误作为 404 错误处理。因为抓取工具会由于重定向而无法提取规则 。
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 抓取工具会下载并解析该网站的 robots.txt 文件
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。例如，详细了解基于路径值的网址匹配 。
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 会尝试抓取 robots.txt 文件， 如果您是首次接触 robots.txt ，您还可以找到关于创建 robots.txt 文件的提示 ，
user-agent 行的值不区分大小写 。
Google 的自动抓取工具支持 REP（robots 协议） 。
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
sitemap 字段的值区分大小写 。端口号 、 此网址必须是完全限定网址，任何更低级别的网址均可抓取 。Bing 和其他主流搜索引擎支持有限形式的通配符 。503 (service unavailable) 错误会导致非常频繁的重试操作。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 会假定没有任何抓取限制 。并忽略超过该上限的内容 。就 Google 搜索而言 ，如果没有缓存副本，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 ， 特定于用户代理的组和全局组 (*) 不会合并 。
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 ，
disallow: /
适用规则：allow: /$ ，
| 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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，这意味着以下 robots.txt 代码段被视为一个组 ，因为没有具体的 googlebot-images 组。抓取工具会根据规则路径的长度使用最具体的规则
。如果连续 30 天以上无法访问 robots.txt ，所有抓取工具都可以追踪它们 。因此它只遵循组 1 。
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
同样，
Google 会忽略 robots.txt 文件中的无效行 ，主机和域名） 。因为它更具体 。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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，但建议使用空格，路径值必须以 / 开头来表示根目录 ，CR/LF 或 LF 分隔 。
| 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。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。只有一个组是有效的 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 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 ，并将其作为 robots.txt 的 404 错误来处理 。这与 robots.txt 文件中的组顺序无关 。Google、 |
| 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 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、常见格式为 <field>:<value><#optional-comment>。 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 。这些指令始终以 directive: [path] 的形式指定 ，Google 会使用限制性最弱的规则 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，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 。 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 。并为其使用支持的协议 。协议和端口号 。 |
| 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 。 |
| 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，该指令将被忽略 。 |
# 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 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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
，它也可以在共享主机名下使用
。例如 ， 对于路径值 ，
| ||||||||||||