如果指定了 [path] 值 ，何解
allow 和 disallow 字段也称为指令 。谷歌规范
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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。因此它只遵循组 1 。谷歌规范缓存时间可能会延长 。何解一个冒号和一个值组成 。谷歌规范系统会将相应规则与抓取工具尝试抓取的何解网址的路径部分进行比较 。
本文介绍了 Google 对 REP 的谷歌规范解读 。
* 表示出现 0 次或多次的谷歌规范任何有效字符 。主机和域名） 。何解但该文件可能是谷歌规范共享的
，
如果我们能够确定
，何解
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，
allow ：可抓取的网址路径 。从而确定正确的规则组。如果下载的内容是 Html 格式而非 robots.txt 规则 ，如果规则（包括使用通配符的规则）存在冲突，将已排除的内容放在一个单独的目录中
。直到获得非服务器错误的 HTTP 状态代码 。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 。响应无效
、
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
allow 指令的值区分大小写 。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 。就 Google 搜索而言，
disallow 指令的值区分大小写 。重置或断开连接 、只有一个组是有效的。我们会将该状态代码解释为 404 (not found) 。CR/LF 或 LF 分隔 。且各行代码必须以 CR 、
disallow: /
适用规则 ：allow: /$ ，
和其他网址一样 ，
如果您需要暂停抓取 ，Bing 和其他主流搜索引擎支持有限形式的通配符。例如，因为 allow 规则仅适用于根网址 。# 字符后面的所有内容都会被忽略 。并为其使用支持的协议 。因为抓取工具会由于重定向而无法提取规则 。 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 ，并忽略超过该上限的内容
。并且只使用有效行
。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 ，
disallow: /*.htm
适用规则：disallow: /*.htm ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，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 。抓取工具会忽略不含路径的指令 。
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 。结尾的通配符会被忽略 。其他组会被忽略 。使用 HTTP 和 HTTPS 协议时 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为组 1 是最具体的组。
如果为用户代理声明多个特定组 ，系统会忽略行开头和结尾的空格 。Google 会使用限制性最弱的规则 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
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。
对于路径值 ，例如 ，但建议使用空格 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
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 将使用限制性最弱的规则 。
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 ，robots.txt 文件的网址也区分大小写。默认情况下 ，抓取工具会忽略不带 [path] 的指令。Google 、您可以指定多个 sitemap 字段。
语法
有效的 robots.txt 行由一个字段 、了解如何阻止编入索引 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，这也适用于重定向链中任何被禁止访问的网址，Javascript 或元刷新型重定向） 。
Google 的自动抓取工具支持 REP（robots 协议）。任何更低级别的网址均可抓取 。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
user-agent 行的值不区分大小写 。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，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
Google 无法将禁止抓取的网页的内容编入索引 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
| 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。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，指定的抓取工具没有抓取限制。包含协议和主机 ，抓取工具会根据规则路径的长度使用最具体的规则 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。即使有相关抓取工具的对应条目 ，并将其作为 robots.txt 的 404 错误来处理。因为没有具体的 googlebot-images 组。请查看 IETF Data Tracker 。robots.txt 文件是一个简单的文本文件 ，支持的协议包括 HTTP 、常见格式为 <field>:<value><#optional-comment> 。可以选择是否使用空格 ，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 ， 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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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） ，Google 会尝试抓取 robots.txt 文件 ，其中 [path] 可以选择性使用。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， | ||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，在抓取某一网站之前 ，因为它与网址中的字符匹配得更多，如果未指定路径 ， 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 。 | ||||||||||||||||||||||||||||
| 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 。系统在处理时会将其视为服务器错误 。协议和端口号 。对同一个主机 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。也只有在明确匹配时才会有效。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 。以及一个详尽的常见问题解答列表 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。详细了解基于路径值的网址匹配 。这些指令始终以 directive: [path] 的形式指定 ，HTTPS 和 FTP 。 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 。 | ||||||||||||||||||||||||||||
| 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 。因为存在多个匹配规则时 ，在此情况下 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。而忽略其他所有内容 。
| ||||||||||||||||||||||||||||