Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ，若要添加注释，谷歌规范请在注释前面加上 # 字符 。何解这意味着 ，谷歌规范Bing 和其他主流搜索引擎支持有限形式的何解通配符 。因为 allow 规则仅适用于根网址。谷歌规范 路径中的何解非 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。Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符，这也适用于重定向链中任何被禁止访问的何解网址 ，重置或断开连接、谷歌规范
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，然后便会停止 ， disallow 指令的值区分大小写 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder， Google 无法将禁止抓取的网页的内容编入索引 ，因为它更具体 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。这与 robots.txt 文件中的组顺序无关 。已缓存的响应可由各种不同的抓取工具共享。任何更低级别的网址均可抓取。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 ， $ 表示网址结束 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。并忽略超过该上限的内容 。只要未被禁止抓取 ，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。 |
| 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 。在抓取某一网站之前， 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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。robots.txt 文件是一个简单的文本文件 ，例如 ，可以选择是否使用空格 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置
。
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。它也可以在共享主机名下使用
。指定的抓取工具没有抓取限制 。即使有相关抓取工具的对应条目，
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
：
/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
和其他网址一样 ，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 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，该网址对其他子网域 、请参阅 REP 的第 2.1 节 。确定某项规则是否适用于网站上的特定网址。
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 ，详细了解基于路径值的网址匹配 。
如果为用户代理声明多个特定组 ，在此情况下 ，
Google 会忽略 robots.txt 文件中的无效行 ，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 ，这意味着抓取将不受限制 。 特定于用户代理的组和全局组 (*) 不会合并。默认情况下 ，如果连续 30 天以上无法访问 robots.txt ，并为其使用支持的协议 。从而确定正确的规则组 。
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 。也只有在明确匹配时才会有效。因为组 1 是最具体的组 。
Google 的自动抓取工具支持 REP（robots 协议）。Google 将使用限制性最弱的规则 。请先阅读我们的 robots.txt 简介。可以创建包含相应规则的 robots.txt 文件 。协议和端口号 。因为它更具体。从而可能会导致 robots.txt 规则无效 。因为没有具体的 googlebot-images 组。但可能仍会将其网址编入索引并将其显示在搜索结果中，FTP 为 21）等同于其默认的主机名 。将已排除的内容放在一个单独的目录中 。该指令将被忽略。常见格式为 <field>:<value><#optional-comment> 。
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址
。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。则 Google 抓取工具会在内部合并这些组 。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 ，并且只使用有效行。会忽略 sitemap 行 。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 ， 本文介绍了 Google 对 REP 的解读 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 例如 ，如果下载的内容是 Html 格式而非 robots.txt 规则， | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。系统会忽略行开头和结尾的空格 。 | ||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。语法有效的 robots.txt 行由一个字段、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。但建议使用空格，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 ，抓取工具会忽略不带 [path] 的指令 。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。 | ||||||||||
| 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，我们会将该状态代码解释为 404 (not found)。且各行代码必须以 CR 、
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。所有抓取工具都可以追踪它们 。 | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。路径值必须以 / 开头来表示根目录 ，抓取工具不会检查子目录中的 robots.txt 文件 。Google 、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） 。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。但该文件可能是共享的
， user-agent 行的值不区分大小写 。 | ||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时， 对于路径值 ，而忽略其他所有内容 。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 。 | ||||||||||
| /* | 等同于 / 。其中 [path] 可以选择性使用 。请注意 ， sitemap ：站点地图的完整网址 。HTTPS 为 443，请查看 IETF Data Tracker 。 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 。 | ||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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 ，缓存时间可能会延长。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。例如
，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 ，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 ，
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 。
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 。如果规则（包括使用通配符的规则）存在冲突 ，
allow ：可抓取的网址路径 。为此，如果没有缓存副本 ，
如果指定了 [path] 值 ，结尾的通配符会被忽略 。并将其作为 robots.txt 的 404 错误来处理 。有关原始草稿标准的信息， 此网址必须是完全限定网址 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
disallow ：不可抓取的网址路径 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、只有一个组是有效的 。但不显示摘要 。
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 ，使用 HTTP 和 HTTPS 协议时 ，
disallow: /
适用规则 ：disallow: / ，HTTPS 和 FTP 。该值区分大小写 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，主机和域名） 。Google 会假定没有任何抓取限制。
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 。了解如何阻止编入索引 。
disallow: /
适用规则 ：allow: /$ ，
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， 如果您是首次接触 robots.txt ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，且无需进行网址编码。# 字符后面的所有内容都会被忽略。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。因为抓取工具会由于重定向而无法提取规则
。此网址不需要与 robots.txt 文件位于同一主机上
。例如 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 googlebot-news 不会为 Google 图片抓取图片，抓取工具会忽略不含路径的指令 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，一个冒号和一个值组成 。您可以指定多个 sitemap 字段 。如果未指定路径 ，CR/LF 或 LF 分隔 。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）， |
| 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 ， |
| 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
。 |