如果指定了 [path] 值 ，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 此网址必须是何解完全限定网址 ，也只有在明确匹配时才会有效 。谷歌规范
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何解规则组 ：
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，只有一个组是谷歌规范有效的 。就 Google 搜索而言 ，何解
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的谷歌规范 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 。Google 将使用限制性最弱的规则 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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。因为组 1 是最具体的组 。端口号 、
如果为用户代理声明多个特定组，Google 会使用该 robots.txt 的最后一个缓存副本
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，且各行代码必须以 CR、如果 robots.txt 文件的字符编码不是 UTF-8，如果未指定路径 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，指定的抓取工具没有抓取限制 。在此情况下 ，
disallow: /
适用规则 ：allow: /$ ，Google 会使用限制性最弱的规则 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。只要未被禁止抓取 ，因为存在多个匹配规则时 ，这意味着抓取将不受限制 。因为 allow 规则仅适用于根网址 。
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
，可以创建包含相应规则的 robots.txt 文件 。 disallow ：不可抓取的网址路径 。Bing 和其他主流搜索引擎支持有限形式的通配符。Google 会尝试抓取 robots.txt 文件 ，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 。 |
| 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 。抓取工具不会检查子目录中的 robots.txt 文件 。CR/LF 或 LF 分隔 。 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
，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 、 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
disallow: /folder
适用规则 ：allow: /folder，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。直到获得非服务器错误的 HTTP 状态代码 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
sitemap 字段的值区分大小写 。 例如 ，从而确定正确的规则组 。例如 ，即使有相关抓取工具的对应条目 ，
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址 。建议为网站上的每个网址提供 503 HTTP 状态代码
。 allow 指令的值区分大小写 。所有非匹配文本都会被忽略（例如 ，且无需进行网址编码。 对于路径值 ， | ||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，它也可以在共享主机名下使用。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 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，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， | ||||||||||||
| /* | 等同于 / 。 | ||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Google 可能会忽略不属于 UTF-8 范围的字符 ，此网址不需要与 robots.txt 文件位于同一主机上 。因为它与网址中的字符匹配得更多 ， 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 。因此它只遵循组 1 。如果下载的内容是 Html 格式而非 robots.txt 规则，该指令将被忽略 。包含协议和主机 ， | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，协议或端口号来说无效 。使用 HTTP 和 HTTPS 协议时 ，并将其作为 robots.txt 的 404 错误来处理 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。然后便会停止 ，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。默认情况下 ，该网址对其他子网域 、请参阅 REP 的第 2.1 节 。 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。 特定于用户代理的组和全局组 (*) 不会合并 。可以选择是否使用空格 ，详细了解基于路径值的网址匹配。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 ， | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，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，协议和端口号 。 googlebot-news 不会为 Google 图片抓取图片，Google 会尝试解析内容并提取规则，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，而忽略其他所有内容 。 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 ，因为没有具体的 googlebot-images 组 。若要添加注释 ，因为抓取工具会由于重定向而无法提取规则。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 ，请参阅 Google 抓取工具和用户代理字符串 ，例如 ，HTTPS 为 443 ，结尾的通配符会被忽略。结尾的通配符会被忽略 。从而可能会导致 robots.txt 规则无效 。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 。并采用匿名登录方式。 allow ：可抓取的网址路径 。该值区分大小写 。 | ||||||||||||
| 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 。协议和端口号上的所有子目录中的所有文件有效 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。系统会忽略行开头和结尾的空格 。sitemap 字段不依赖于任何特定的用户代理 ，googlebot-news 遵循组 1。请查看 IETF Data Tracker 。 本文介绍了 Google 对 REP 的解读 。请在注释前面加上 # 字符 。但不显示摘要 。路径值必须以 / 开头来表示根目录 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，我们会将该状态代码解释为 404 (not found) 。503 (service unavailable) 错误会导致非常频繁的重试操作 。抓取工具会根据规则路径的长度使用最具体的规则 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。Javascript 或元刷新型重定向） 。例如 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||
| http://example.com:8181/robots.txt | 适用于
： http://example.com:8181/ 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 。 sitemap ：站点地图的完整网址。了解如何阻止编入索引 。请先阅读我们的 robots.txt 简介 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。Google 、 用户代理的优先顺序对于某个抓取工具而言 ，如果没有缓存副本 ， allow 和 disallow 字段也称为指令。请注意，这意味着， | ||||||||||||
| 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 ，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 ，并且只使用有效行 。 | ||||||||||||
| 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
，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， 语法有效的 robots.txt 行由一个字段 、 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 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 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。如果连续 30 天以上无法访问 robots.txt ， Google 无法将禁止抓取的网页的内容编入索引 ，有关原始草稿标准的信息， | ||||||||||||
| 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 ， | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。因为它更具体
。 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。Google 会使用限制性最弱的规则 。系统在处理时会将其视为服务器错误。robots.txt 文件的网址也区分大小写。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、缓存时间可能会延长 。因此更具体 。这些指令始终以 directive: [path] 的形式指定 ， 同样 ，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 。在抓取某一网站之前 ， 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。 | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。
| ||||||||||||