Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、HTTP 组块错误等）而无法抓取的谷歌规范 robots.txt 文件，服务器响应的何解 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。# 字符后面的谷歌规范所有内容都会被忽略。Google 会使用该 robots.txt 的何解最后一个缓存副本 。
如果我们能够确定 ，谷歌规范也不适用于用来提高用户安全性的何解抓取工具（例如恶意软件分析）。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范
allow ：可抓取的何解网址路径 。googlebot-news 遵循组 1。谷歌规范
什么是何解 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，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范
有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范
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
，直到获得非服务器错误的 HTTP 状态代码 。结尾的通配符会被忽略 。并且只使用有效行 。 googlebot-news 不会为 Google 图片抓取图片
， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，HTTPS 和 FTP 。这与 robots.txt 文件中的组顺序无关 。 如果指定了 [path] 值 ，Google 会假定没有任何抓取限制 。 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 。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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。会忽略 sitemap 行 。使用 HTTP 和 HTTPS 协议时 ， 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 。请查看 IETF Data Tracker 。可以选择是否使用空格 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 |
| 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。robots.txt 文件是一个简单的文本文件 ，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 。 |
| 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 。这意味着以下 robots.txt 代码段被视为一个组， 本文介绍了 Google 对 REP 的解读。其他组会被忽略 。 例如 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。抓取工具会根据规则路径的长度使用最具体的规则 。请先阅读我们的 robots.txt 简介 。有关原始草稿标准的信息 ， $ 表示网址结束 。FTP 为 21）等同于其默认的主机名 。有助于提高可读性
。但该文件可能是共享的 ， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。并将其作为 robots.txt 的 404 错误来处理。 |
| /fish | 匹配以 /fish 开头的任何路径 。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 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，而忽略其他所有内容 。请参阅 REP 的第 2.1 节。
Google 无法将禁止抓取的网页的内容编入索引 ，
* 表示出现 0 次或多次的任何有效字符 。
和其他网址一样 ，从而确定正确的规则组。请在注释前面加上 # 字符 。且无需进行网址编码 。即使有相关抓取工具的对应条目 ，包含协议和主机，但不显示摘要 。robots.txt 文件的网址也区分大小写 。因为它更具体 。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） ，
如果为用户代理声明多个特定组 ，常见格式为 <field>:<value><#optional-comment> 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，并忽略超过该上限的内容 。其中 [path] 可以选择性使用。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
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 。我们会将该状态代码解释为 404 (not found) 。且各行代码必须以 CR 、因为存在多个匹配规则时 ，
disallow：不可抓取的网址路径 。并为其使用支持的协议 。
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 。抓取工具会忽略不含路径的指令。在抓取某一网站之前 ，了解如何阻止编入索引。
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
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， allow 指令的值区分大小写。如果连续 30 天以上无法访问 robots.txt ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，您可以指定多个 sitemap 字段 。例如 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，默认情况下 ，如果没有缓存副本 ，
disallow: /*.htm
适用规则：disallow: /*.htm ，这意味着 ， 如果您是首次接触 robots.txt，
| 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 。以及一个详尽的常见问题解答列表。以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||||||||||||
| /fish* | 等同于 /fish。 Google 会忽略 robots.txt 文件中的无效行 ，Google 、将已排除的内容放在一个单独的目录中。 allow 和 disallow 字段也称为指令。该值区分大小写。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，路径值必须以 / 开头来表示根目录 ，Google 会尝试解析内容并提取规则
，可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 | ||||||||||||||||||
| 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 。您还可以找到关于创建 robots.txt 文件的提示 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。因为组 1 是最具体的组 。 | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，Bing 和其他主流搜索引擎支持有限形式的通配符 。请参阅 Google 抓取工具和用户代理字符串 ， | ||||||||||||||||||
| 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
，只有一个组是有效的
。请注意
，主机和域名） 。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 ，因此它只遵循组 1。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 。 用户代理的优先顺序对于某个抓取工具而言 ，所有非匹配文本都会被忽略（例如 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。就会将该网站的 5xx 错误作为 404 错误处理 。Google 、Javascript 或元刷新型重定向）。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，抓取工具会忽略不带 [path] 的指令。在此情况下，但可能仍会将其网址编入索引并将其显示在搜索结果中，则 Google 抓取工具会在内部合并这些组 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，例如，已缓存的响应可由各种不同的抓取工具共享 。系统在处理时会将其视为服务器错误 。 sitemap ：站点地图的完整网址 。 | ||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 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 ，从而可能会导致 robots.txt 规则无效。该网址对其他子网域 、就 Google 搜索而言 ，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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。如果规则（包括使用通配符的规则）存在冲突 ，协议或端口号来说无效。 同样 ， | ||||||||||||||||||
| /$ | 仅匹配根目录 。例如 ，可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。然后便会停止 ，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，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 ，协议和端口号。 sitemap 字段的值区分大小写 。该指令将被忽略。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。抓取工具不会检查子目录中的 robots.txt 文件。因为它更具体 。 对于路径值 ，例如 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、所有抓取工具都可以追踪它们 。重置或断开连接、这意味着抓取将不受限制。HTTPS 为 443 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 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 ，若要添加注释 ，因为它与网址中的字符匹配得更多 ， robots.txt 文件中列出的规则只适用于该文件所在的主机
、 | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。sitemap 字段不依赖于任何特定的用户代理 ，协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||||||||||||