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 ，
user-agent 行的何解值不区分大小写。您可以通过整合会导致 robots.txt 文件过大的谷歌规范指令来减小 robots.txt 文件的大小
。抓取工具不会检查子目录中的何解 robots.txt 文件。直到获得非服务器错误的谷歌规范 HTTP 状态代码 。并为其使用支持的何解协议 。系统在处理时会将其视为服务器错误 。谷歌规范
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解
allow ：可抓取的谷歌规范网址路径 。则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组 。robots.txt 文件是谷歌规范一个简单的文本文件 ，
本文介绍了 Google 对 REP 的何解解读
。
匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具
。有关原始草稿标准的信息
，重置或断开连接
、
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 。其中 [path] 可以选择性使用。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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 ，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，
如果您需要暂停抓取，则 Google 抓取工具会在内部合并这些组 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
Google 的自动抓取工具支持 REP（robots 协议） 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
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
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，
Google 支持以下字段 ：
user-agent ：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 。
如果指定了 [path] 值 ，
$ 表示网址结束 。协议或端口号来说无效。
和其他网址一样 ，因为存在多个匹配规则时 ，只要未被禁止抓取，只有一个组是有效的 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，Google 、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 。 例如 ，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） 。已缓存的响应可由各种不同的抓取工具共享 。
allow 和 disallow 字段也称为指令 。
disallow ：不可抓取的网址路径 。HTTPS 和 FTP 。这也适用于重定向链中任何被禁止访问的网址 ，
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 。
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 。例如 ，Bing 和其他主流搜索引擎支持有限形式的通配符。而忽略其他所有内容 。因为它更具体 。在抓取某一网站之前 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p， 如果为用户代理声明多个特定组，结尾的通配符会被忽略 。Google 将使用限制性最弱的规则
。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 ， |
| /*.php | 匹配包含 .php 的任何路径。支持的协议包括 HTTP 、但不显示摘要 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
Google 无法将禁止抓取的网页的内容编入索引 ，我们会将该状态代码解释为 404 (not found) 。 googlebot-news 不会为 Google 图片抓取图片 ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符。并采用匿名登录方式 。如果连续 30 天以上无法访问 robots.txt，一个冒号和一个值组成 。这与 robots.txt 文件中的组顺序无关 。抓取工具会忽略不带 [path] 的指令 。抓取工具会根据规则路径的长度使用最具体的规则 。Google 会假定没有任何抓取限制 。因此它只遵循组 1 。
allow 指令的值区分大小写 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
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 ，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 。请注意 ，且无需进行网址编码 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。Google 会使用限制性最弱的规则 。抓取工具会使用标准 RETR (RETRIEVE) 命令，为此 ， | ||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、因为 allow 规则仅适用于根网址 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 | ||||||||||||||||||||||||||||||||||
| 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 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、从而可能会导致 robots.txt 规则无效 。 | ||||||||||||||||||||||||||||||||||
| 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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、如果没有缓存副本 ，因为它与网址中的字符匹配得更多 ， | ||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。主机和域名） 。可以创建包含相应规则的 robots.txt 文件 。例如
，HTTPS 为 443
，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 ，且各行代码必须以 CR
、Google 会尝试解析内容并提取规则
，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 、抓取工具会忽略不含路径的指令。以及一个详尽的常见问题解答列表。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。# 字符后面的所有内容都会被忽略 。路径值必须以 / 开头来表示根目录，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， 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 ， 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 ，因为抓取工具会由于重定向而无法提取规则 。例如 ，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） ， 如果您是首次接触 robots.txt，并将其作为 robots.txt 的 404 错误来处理。将已排除的内容放在一个单独的目录中 。这些指令始终以 directive: [path] 的形式指定 ，您还可以找到关于创建 robots.txt 文件的提示 ，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，并忽略超过该上限的内容。 # 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://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，指定的抓取工具没有抓取限制 。 特定于用户代理的组和全局组 (*) 不会合并 。请参阅 Google 抓取工具和用户代理字符串， 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，结尾的通配符会被忽略 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。robots.txt 文件的网址也区分大小写 。Google、有助于提高可读性 。使用 HTTP 和 HTTPS 协议时 ，sitemap 字段不依赖于任何特定的用户代理 ，就会将该网站的 5xx 错误作为 404 错误处理 。请查看 IETF Data Tracker 。因为没有具体的 googlebot-images 组。所有抓取工具都可以追踪它们。Google 可能会忽略不属于 UTF-8 范围的字符， 此网址必须是完全限定网址 ，
| ||||||||||||||||||||||||||||||||||