sitemap 字段的何解值区分大小写 。因为抓取工具会由于重定向而无法提取规则。谷歌规范默认情况下 ，何解
什么是谷歌规范 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
，
缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时 ，任何更低级别的谷歌规范网址均可抓取。例如
，何解Javascript 或元刷新型重定向） 。谷歌规范如果连续 30 天以上无法访问 robots.txt
，何解Google 会使用限制性最弱的谷歌规范规则 。
匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意
：匹配时区分大小写 。该路径值就是谷歌规范 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。何解在此情况下 ，谷歌规范
disallow: /*.htm
适用规则：disallow: /*.htm，
同样，以提取关于网站中哪些部分可以被抓取的信息 。Google 、
Google 的自动抓取工具支持 REP（robots 协议）。
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
和其他网址一样 ，主机和域名） 。如果下载的内容是 Html 格式而非 robots.txt 规则，
disallow 指令的值区分大小写 。您可以指定多个 sitemap 字段 。对同一个主机、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，
allow：可抓取的网址路径。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 。并且只使用有效行 。FTP 为 21）等同于其默认的主机名。
Google 无法将禁止抓取的网页的内容编入索引，
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。
disallow: /
适用规则：allow: /$，因为存在多个匹配规则时，CR/LF 或 LF 分隔 。系统在处理时会将其视为服务器错误 。
如果我们能够确定 ， 此网址必须是完全限定网址 ，如果未指定路径 ，请注意 ，
本文介绍了 Google 对 REP 的解读。请参阅 REP 的第 2.1 节 。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） 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。使用 HTTP 和 HTTPS 协议时 ，
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 ，HTTP 组块错误等）而无法抓取的 robots.txt 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 。详细了解基于路径值的网址匹配。所有抓取工具都可以追踪它们 。已缓存的响应可由各种不同的抓取工具共享 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，例如 ，
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 。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 ，其他组会被忽略 。而忽略其他所有内容 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，这意味着抓取将不受限制 。例如 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
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 ，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），只要未被禁止抓取 ， 例如 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，可以选择是否使用空格 ，因此更具体 。如果没有缓存副本 ，有助于提高可读性。如果规则（包括使用通配符的规则）存在冲突，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。且无需进行网址编码 。抓取工具会忽略不含路径的指令 。这意味着以下 robots.txt 代码段被视为一个组，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 如果您需要暂停抓取， |
| ftp://example.com/robots.txt | 适用于： ftp://example.com/ 不适用于 ： http://example.com/ |
| http://212.96.82.21/robots.txt | 适用于： http://212.96.82.21/ 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 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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 ，因为 allow 规则仅适用于根网址 。您还可以找到关于创建 robots.txt 文件的提示，但不显示摘要 。Google 抓取工具会下载并解析该网站的 robots.txt 文件， |
| 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 。robots.txt 文件的网址也区分大小写 。该网址对其他子网域 、请查看 IETF Data Tracker。若要添加注释 ，路径值必须以 / 开头来表示根目录 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，抓取工具不会检查子目录中的 robots.txt 文件 。HTTPS 和 FTP 。即使有相关抓取工具的对应条目，Google 、 如果为用户代理声明多个特定组 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， 如果您是首次接触 robots.txt， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。 allow 和 disallow 字段也称为指令。将已排除的内容放在一个单独的目录中。协议或端口号来说无效 。并为其使用支持的协议。 user-agent 行的值不区分大小写 。Google 会使用限制性最弱的规则 。从而可能会导致 robots.txt 规则无效 。 allow 指令的值区分大小写 。 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。在抓取某一网站之前
， |
| /*.php | 匹配包含 .php 的任何路径。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。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
，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 。并将其作为 robots.txt 的 404 错误来处理。因为没有具体的 googlebot-images 组 。请在注释前面加上 # 字符
。googlebot-news 遵循组 1 。支持的协议包括 HTTP、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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，就 Google 搜索而言 ，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 ，请先阅读我们的 robots.txt 简介 。所有非匹配文本都会被忽略（例如 ，
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 。
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 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。抓取工具会忽略不带 [path] 的指令 。如果 robots.txt 文件的字符编码不是 UTF-8，语法有效的 robots.txt 行由一个字段 、 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。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: /， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 用户代理的优先顺序对于某个抓取工具而言 ， 对于路径值 ，这些指令始终以 directive: [path] 的形式指定，HTTPS 为 443，从而确定正确的规则组 。这与 robots.txt 文件中的组顺序无关 。因为它更具体 。指定的抓取工具没有抓取限制 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为组 1 是最具体的组 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。因为存在多个匹配规则时 ，请参阅 Google 抓取工具和用户代理字符串 ，端口号 、只有一个组是有效的 。robots.txt 文件是一个简单的文本文件 ，它也可以在共享主机名下使用 。 |
sitemap ：站点地图的完整网址 。Google 会尝试抓取 robots.txt 文件 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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 。另请参阅 RFC 3492 。包含协议和主机 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。
$ 表示网址结束 。可以创建包含相应规则的 robots.txt 文件 。建议为网站上的每个网址提供 503 HTTP 状态代码 。但建议使用空格，因为它与网址中的字符匹配得更多 ，为此 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 特定于用户代理的组和全局组 (*) 不会合并 。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 ，
Google 会忽略 robots.txt 文件中的无效行 ，则 Google 抓取工具会在内部合并这些组 。
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
，其中 [path] 可以选择性使用 。
| ||||||||||||||||