如果指定了 [path] 值 ，何解如果未指定路径，谷歌规范
什么是何解 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 ，请参阅 REP 的谷歌规范第 2.1 节 。googlebot-news 遵循组 1 。缓存时间可能会延长 。协议和端口号。HTTPS 为 443 ，一个冒号和一个值组成 。
语法
有效的 robots.txt 行由一个字段 、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） ，
对于路径值 ，路径值必须以 / 开头来表示根目录，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，以及一个详尽的常见问题解答列表 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、因为组 1 是最具体的组 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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） 。从而可能会导致 robots.txt 规则无效 。协议或端口号来说无效 。就 Google 搜索而言 ， googlebot-news 不会为 Google 图片抓取图片 ，
Google 无法将禁止抓取的网页的内容编入索引 ，协议和端口号上的所有子目录中的所有文件有效 。系统会忽略行开头和结尾的空格 。Google 、以提取关于网站中哪些部分可以被抓取的信息 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，这意味着以下 robots.txt 代码段被视为一个组，并采用匿名登录方式。该指令将被忽略 。
不适用于： http://example.com/
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。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。
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 。请查看 IETF Data Tracker 。Google 会尝试解析内容并提取规则 ，并且只使用有效行 。
allow 和 disallow 字段也称为指令 。直到获得非服务器错误的 HTTP 状态代码 。
disallow: /
适用规则 ：disallow: / ， 例如 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
同样 ，因此更具体 。
| 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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，HTTPS 和 FTP 。 特定于用户代理的组和全局组 (*) 不会合并 。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 ， allow ：可抓取的网址路径 。 | ||||||||||
| 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 。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。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、 Google 的自动抓取工具支持 REP（robots 协议） 。 user-agent 行的值不区分大小写。 | ||||||||||
| /$ | 仅匹配根目录 。而忽略其他所有内容 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 会使用限制性最弱的规则 。例如 ，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。 | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，详细了解基于路径值的网址匹配。请参阅 Google 抓取工具和用户代理字符串 ，所有抓取工具都可以追踪它们 。 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
，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 、
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，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 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。请先阅读我们的 robots.txt 简介 。主机和域名） 。这些指令始终以 directive: [path] 的形式指定 ， | ||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。例如
， 如果为用户代理声明多个特定组， 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 。如果连续 30 天以上无法访问 robots.txt ，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，若要添加注释 ，但该文件可能是共享的，Google 会尝试抓取 robots.txt 文件 ，为此，因为它与网址中的字符匹配得更多 ， 和其他网址一样 ，该值区分大小写 。 Google 会忽略 robots.txt 文件中的无效行 ，其中 [path] 可以选择性使用 。因为存在多个匹配规则时 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。Google 将使用限制性最弱的规则 。使用 HTTP 和 HTTPS 协议时 ，任何更低级别的网址均可抓取。您可以指定多个 sitemap 字段 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。结尾的通配符会被忽略 。 如果您是首次接触 robots.txt，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，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 。 本文介绍了 Google 对 REP 的解读
。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，常见格式为 <field>:<value><#optional-comment>。即使有相关抓取工具的对应条目 ，也只有在明确匹配时才会有效。已缓存的响应可由各种不同的抓取工具共享 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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。robots.txt 文件的网址也区分大小写 。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 。Google、其他组会被忽略 。对同一个主机 、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
disallow: /
适用规则 ：allow: /$ ，
allow 指令的值区分大小写
。
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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，重置或断开连接 、如果下载的内容是 Html 格式而非 robots.txt 规则，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 。
sitemap 字段的值区分大小写 。
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
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
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 、因为 allow 规则仅适用于根网址 。
如果您需要暂停抓取
，Javascript 或元刷新型重定向）
。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。所有非匹配文本都会被忽略（例如，并为其使用支持的协议。# 字符后面的所有内容都会被忽略。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，这与 robots.txt 文件中的组顺序无关 。确定某项规则是否适用于网站上的特定网址 。并忽略超过该上限的内容 。
| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，它也可以在共享主机名下使用。 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 ：
| ||||||||||||