allow 指令的谷歌规范值区分大小写 。
Google 会忽略 robots.txt 文件中的谷歌规范无效行，503 (service unavailable) 错误会导致非常频繁的何解重试操作。您可以指定多个 sitemap 字段 。谷歌规范请参阅 REP 的何解第 2.1 节 。Bing 和其他主流搜索引擎支持有限形式的谷歌规范通配符 。Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段 。disallow 和 user-agent 以外的谷歌规范其他规则会被 robots.txt 解析器忽略 。并且只使用有效行 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 ，
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 ，
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 ，则 Google 抓取工具会在内部合并这些组 。直到获得非服务器错误的 HTTP 状态代码。
Google 无法将禁止抓取的网页的内容编入索引，在抓取某一网站之前 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。请先阅读我们的 robots.txt 简介 。
如果为用户代理声明多个特定组，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
disallow: /
适用规则：allow: /$ ，
对于路径值 ，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 。另请参阅 RFC 3492 。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、
同样 ，因为组 1 是最具体的组 。googlebot-news 遵循组 1 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，其中 [path] 可以选择性使用 。
| 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 。结尾的通配符会被忽略 。 |
| Googlebot（网络） | googlebot 遵循组 3。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
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。包含协议和主机 ，若要添加注释 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，并将其作为 robots.txt 的 404 错误来处理。这意味着 ，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 。
如果指定了 [path] 值 ，
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 ，只要未被禁止抓取，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。FTP 为 21）等同于其默认的主机名 。抓取工具会根据规则路径的长度使用最具体的规则 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，以及一个详尽的常见问题解答列表 。请查看 IETF Data Tracker 。如果 robots.txt 文件的字符编码不是 UTF-8 ，Google 将使用限制性最弱的规则
。googlebot/1.2 和 googlebot* 均等同于 googlebot）。这与 robots.txt 文件中的组顺序无关 。如果未指定路径 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，可以选择是否使用空格
， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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 。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 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，支持的协议包括 HTTP 、 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 。但不显示摘要 。sitemap 字段不依赖于任何特定的用户代理 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 | ||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， 此网址必须是完全限定网址 ， | ||||||||||
| /* | 等同于 / 。 例如 ，响应无效
、因为存在多个匹配规则时，HTTPS 和 FTP 。例如
， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 和其他网址一样 ，Google 会假定没有任何抓取限制
。如果连续 30 天以上无法访问 robots.txt， | ||||||||||
| 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 ， | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、路径值必须以 / 开头来表示根目录 ，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 ，从而确定正确的规则组 。 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 。因为存在多个匹配规则时，因此更具体 。并为其使用支持的协议。详细了解基于路径值的网址匹配 。对同一个主机、它也可以在共享主机名下使用 。例如 ，因为它更具体 。即使有相关抓取工具的对应条目，并采用匿名登录方式 。 disallow 指令的值区分大小写 。Google 会尝试解析内容并提取规则， Google 的自动抓取工具支持 REP（robots 协议）。请注意 ，但建议使用空格 ，HTTPS 为 443 ，Google 会使用限制性最弱的规则 。 sitemap 字段的值区分大小写 。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 ，CR/LF 或 LF 分隔。 | ||||||||||
| 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 。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 。其他组会被忽略 。结尾的通配符会被忽略 。且无需进行网址编码 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google、 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 。抓取工具会忽略不带 [path] 的指令 。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
。 sitemap ：站点地图的完整网址 。缓存时间可能会延长 。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）。从而可能会导致 robots.txt 规则无效 。该指令将被忽略 。建议为网站上的每个网址提供 503 HTTP 状态代码 。就会将该网站的 5xx 错误作为 404 错误处理 。我们会将该状态代码解释为 404 (not found) 。这也适用于重定向链中任何被禁止访问的网址， allow 和 disallow 字段也称为指令 。抓取工具不会检查子目录中的 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 404 状态代码， 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 。指定的抓取工具没有抓取限制 。robots.txt 文件的网址也区分大小写 。Google 可能会忽略不属于 UTF-8 范围的字符 ，并忽略超过该上限的内容 。这意味着抓取将不受限制 。 | ||||||||||
| 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 。 | ||||||||||
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 ，
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 。为此 ，
用户代理的优先顺序
对于某个抓取工具而言 ，因为抓取工具会由于重定向而无法提取规则 。robots.txt 文件是一个简单的文本文件 ，
user-agent 行的值不区分大小写。
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，因此它只遵循组 1 。 | ||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，例如 ，任何更低级别的网址均可抓取 。
| ||||||||||||||||||