Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅） ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范有关原始草稿标准的何解信息 ，该指令将被忽略 。谷歌规范
用户代理的何解优先顺序
对于某个抓取工具而言 ，详细了解基于路径值的谷歌规范网址匹配。
* 表示出现 0 次或多次的谷歌规范任何有效字符。
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 ：不可抓取的网址路径。响应无效、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，如果未指定路径 ，这意味着 ，从而可能会导致 robots.txt 规则无效 。了解如何阻止编入索引 。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 、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、抓取工具会忽略不含路径的指令 。
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
user-agent 行的值不区分大小写 。缓存时间可能会延长。因为存在多个匹配规则时 ，结尾的通配符会被忽略。如果规则（包括使用通配符的规则）存在冲突 ，这意味着抓取将不受限制 。可以创建包含相应规则的 robots.txt 文件 。且各行代码必须以 CR、Bing 和其他主流搜索引擎支持有限形式的通配符 。
allow ：可抓取的网址路径。
| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p，因为存在多个匹配规则时 ，Google 会使用该 robots.txt 的最后一个缓存副本 。这意味着以下 robots.txt 代码段被视为一个组 ，只有一个组是有效的。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， Google 的自动抓取工具支持 REP（robots 协议）。 | ||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，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 。只要未被禁止抓取 ， allow 指令的值区分大小写。从而确定正确的规则组。Google 可能会忽略不属于 UTF-8 范围的字符 ， 如果指定了 [path] 值 ，请在注释前面加上 # 字符 。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，Javascript 或元刷新型重定向） 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 和其他网址一样 ，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 ，有助于提高可读性 。 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 。其中 [path] 可以选择性使用 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、请查看 IETF Data Tracker 。这与 robots.txt 文件中的组顺序无关 。 sitemap 字段的值区分大小写 。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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件， 同样， 语法有效的 robots.txt 行由一个字段 、 此网址必须是完全限定网址 ，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，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，Google 会使用限制性最弱的规则 。这也适用于重定向链中任何被禁止访问的网址 ，其他组会被忽略 。 | ||||||||||||
| 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 。支持的协议包括 HTTP 、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 ， $ 表示网址结束 。抓取工具会忽略不带 [path] 的指令。会忽略 sitemap 行 。 | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。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 ， | ||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
， 特定于用户代理的组和全局组 (*) 不会合并 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。常见格式为 <field>:<value><#optional-comment> 。为此 ，FTP 为 21）等同于其默认的主机名
。协议和端口号。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
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 。
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。可以选择是否使用空格 ，然后便会停止，
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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，请参阅 Google 抓取工具和用户代理字符串，一个冒号和一个值组成 。CR/LF 或 LF 分隔 。包含协议和主机 ，
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
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 ，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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
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
， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。端口号 、googlebot-news 遵循组 1 。 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 。 | ||||||||||||
| /fish* | 等同于 /fish 。因为 allow 规则仅适用于根网址 。HTTPS 为 443 ，所有抓取工具都可以追踪它们 。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 ，如果连续 30 天以上无法访问 robots.txt ，并将其作为 robots.txt 的 404 错误来处理
。因此更具体。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，指定的抓取工具没有抓取限制 。但建议使用空格 ， | ||||||||||||
| 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 。 | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。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 ，抓取工具会根据规则路径的长度使用最具体的规则 。协议和端口号上的所有子目录中的所有文件有效 。因为它更具体 。
| ||||||||||||
| 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 。robots.txt 文件的网址也区分大小写 。如果 robots.txt 文件的字符编码不是 UTF-8， | ||||||||||||
| 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 。使用 HTTP 和 HTTPS 协议时 ，因为组 1 是最具体的组 。 对于路径值 ，系统在处理时会将其视为服务器错误。 allow 和 disallow 字段也称为指令 。另请参阅 RFC 3492 。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 。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） 。协议或端口号来说无效。重置或断开连接、 | ||||||||||||
| 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 ，主机和域名）
。 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
，确定某项规则是否适用于网站上的特定网址 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。默认情况下 ， | ||||||||||||