和其他网址一样 ，谷歌规范
本文介绍了 Google 对 REP 的何解解读 。了解如何阻止编入索引 。谷歌规范如果未指定路径 ，何解抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。所有抓取工具都可以追踪它们。何解但可能仍会将其网址编入索引并将其显示在搜索结果中 ，谷歌规范路径值必须以 / 开头来表示根目录 ，何解因为抓取工具会由于重定向而无法提取规则 。谷歌规范
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解因为存在多个匹配规则时 ，谷歌规范
sitemap：站点地图的何解完整网址 。
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 。
disallow: /
适用规则：allow: /$ ，有关原始草稿标准的信息 ，FTP 为 21）等同于其默认的主机名。已缓存的响应可由各种不同的抓取工具共享 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，sitemap 字段不依赖于任何特定的用户代理 ，其中 [path] 可以选择性使用。Google 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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，将已排除的内容放在一个单独的目录中 。
用户代理的优先顺序
对于某个抓取工具而言 ，支持的协议包括 HTTP 、
如果指定了 [path] 值 ，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。建议为网站上的每个网址提供 503 HTTP 状态代码 。
同样，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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 ，Google、只要未被禁止抓取，有助于提高可读性 。常见格式为 <field>:<value><#optional-comment> 。该网址对其他子网域 、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 。这意味着以下 robots.txt 代码段被视为一个组，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 。
allow 和 disallow 字段也称为指令 。因此它只遵循组 1 。协议和端口号。Google 会使用该 robots.txt 的最后一个缓存副本 。请先阅读我们的 robots.txt 简介 。从而可能会导致 robots.txt 规则无效 。Google 会使用限制性最弱的规则 。
Google 的自动抓取工具支持 REP（robots 协议） 。
disallow ：不可抓取的网址路径 。因此更具体。
user-agent 行的值不区分大小写 。并忽略超过该上限的内容 。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） ，这些指令始终以 directive: [path] 的形式指定 ，因为组 1 是最具体的组 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
| 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 。如果没有缓存副本 ，并为其使用支持的协议。直到获得非服务器错误的 HTTP 状态代码 。缓存时间可能会延长 。系统会忽略行开头和结尾的空格 。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） 。 | ||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，在此情况下 ， allow 指令的值区分大小写 。robots.txt 文件的网址也区分大小写 。抓取工具会根据规则路径的长度使用最具体的规则 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， disallow 指令的值区分大小写 。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 ，但建议使用空格，抓取工具会忽略不带 [path] 的指令 。 | ||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。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 ， | ||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。Google 可能会忽略不属于 UTF-8 范围的字符 ，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， | ||||||||||||||||||||||
| 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 。指定的抓取工具没有抓取限制 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 | ||||||||||||||||||||||
| 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 。此网址不需要与 robots.txt 文件位于同一主机上 。为此，这意味着抓取将不受限制。如果连续 30 天以上无法访问 robots.txt， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。请查看 IETF Data Tracker。包含协议和主机 ， | ||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，只有一个组是有效的 。会忽略 sitemap 行 。 对于路径值 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、 如果您需要暂停抓取 ，详细了解基于路径值的网址匹配 。并将其作为 robots.txt 的 404 错误来处理 。以提取关于网站中哪些部分可以被抓取的信息。可以选择是否使用空格 ， | ||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， | ||||||||||||||||||||||
| /$ | 仅匹配根目录
。就 Google 搜索而言 ， 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 。可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， | ||||||||||||||||||||||
| 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
。# 字符后面的所有内容都会被忽略 。 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 。
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 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。然后便会停止 ，结尾的通配符会被忽略 。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 ，Google 将使用限制性最弱的规则 。 | ||||||||||||||||||||||
| 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 。该值区分大小写 。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 、 Google 会忽略 robots.txt 文件中的无效行 ，其他组会被忽略 。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 ，且各行代码必须以 CR 、 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时，但不显示摘要。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，请在注释前面加上 # 字符 。例如 ，请注意， 特定于用户代理的组和全局组 (*) 不会合并 。 sitemap 字段的值区分大小写 。 | ||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，确定某项规则是否适用于网站上的特定网址
。 Google 无法将禁止抓取的网页的内容编入索引 ，但该文件可能是共享的 ， | ||||||||||||||||||||||