对于路径值 ，谷歌规范
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解请先阅读我们的谷歌规范 robots.txt 简介 。
allow 和 disallow 字段也称为指令 。何解如果规则（包括使用通配符的谷歌规范规则）存在冲突 ，抓取工具会忽略不带 [path] 的指令。Javascript 或元刷新型重定向） 。
* 表示出现 0 次或多次的任何有效字符 。有助于提高可读性 。因为组 1 是最具体的组 。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，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，Google 会使用该 robots.txt 的最后一个缓存副本。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） ， 同样，抓取工具会根据规则路径的长度使用最具体的规则 。有关原始草稿标准的信息
，这与 robots.txt 文件中的组顺序无关 。Google 会使用限制性最弱的规则 。HTTPS 和 FTP 。因为 allow 规则仅适用于根网址
。 |
| 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 。因为它更具体。 Google 无法将禁止抓取的网页的内容编入索引 ，抓取工具不会检查子目录中的 robots.txt 文件 。请参阅 REP 的第 2.1 节 。协议和端口号 。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 ，对同一个主机 、所有非匹配文本都会被忽略（例如 ，常见格式为 <field>:<value><#optional-comment> 。如果 robots.txt 文件的字符编码不是 UTF-8 ，这意味着以下 robots.txt 代码段被视为一个组 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。且各行代码必须以 CR 、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 。Google 会假定没有任何抓取限制 。请在注释前面加上 # 字符 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 ，因为存在多个匹配规则时 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
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 ，
user-agent 行的值不区分大小写 。此网址不需要与 robots.txt 文件位于同一主机上 。
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 。
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 。
allow ：可抓取的网址路径。
disallow: /folder
适用规则 ：allow: /folder ，我们会将该状态代码解释为 404 (not found) 。则 Google 抓取工具会在内部合并这些组 。robots.txt 文件的网址也区分大小写 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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 ，抓取工具会忽略不含路径的指令 。建议为网站上的每个网址提供 503 HTTP 状态代码 。CR/LF 或 LF 分隔 。
本文介绍了 Google 对 REP 的解读 。 如果您是首次接触 robots.txt，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。因为没有具体的 googlebot-images 组
。主机和域名） 。因为抓取工具会由于重定向而无法提取规则。默认情况下 ，例如
：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、请查看 IETF Data Tracker。
allow 指令的值区分大小写 。
disallow: /
适用规则：disallow: / ， 特定于用户代理的组和全局组 (*) 不会合并 。
| 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 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 。因此它只遵循组 1。 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
，了解如何阻止编入索引 。 | ||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。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 。因为存在多个匹配规则时 ，只要未被禁止抓取 ，即使有相关抓取工具的对应条目 ，就会将该网站的 5xx 错误作为 404 错误处理。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，支持的协议包括 HTTP、 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 。Google 将使用限制性最弱的规则 。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 | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。 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 文件中列出的规则只适用于该文件所在的主机 、并忽略超过该上限的内容。 | ||||||||||||||||||
| 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
。 sitemap 字段的值区分大小写 。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 ，已缓存的响应可由各种不同的抓取工具共享。所有抓取工具都可以追踪它们。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。协议或端口号来说无效。 Google 的自动抓取工具支持 REP（robots 协议） 。在抓取某一网站之前 ，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 、 | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||||||||||||
| /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 、 sitemap ：站点地图的完整网址 。协议和端口号上的所有子目录中的所有文件有效 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，例如，指定的抓取工具没有抓取限制 。该值区分大小写 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，只有一个组是有效的。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，例如 ， | ||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，直到获得非服务器错误的 HTTP 状态代码 。 $ 表示网址结束 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，例如 ， disallow ：不可抓取的网址路径 。Bing 和其他主流搜索引擎支持有限形式的通配符。 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果连续 30 天以上无法访问 robots.txt ， 如果为用户代理声明多个特定组 ，其中 [path] 可以选择性使用 。 | ||||||||||||||||||
| /fish* | 等同于 /fish 。路径值必须以 / 开头来表示根目录 ，若要添加注释 ，包含协议和主机 ， | ||||||||||||||||||
| 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，结尾的通配符会被忽略 。 如果我们能够确定 ，# 字符后面的所有内容都会被忽略 。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 ，可以选择是否使用空格 ，以及一个详尽的常见问题解答列表 。任何更低级别的网址均可抓取 。
| ||||||||||||||||||