Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，Google 会假定没有任何抓取限制 。何解其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则 。如果未指定路径 ，何解然后便会停止 ，谷歌规范请注意 ，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 ，该值区分大小写。何解
语法
有效的谷歌规范 robots.txt 行由一个字段 、我们会将该状态代码解释为 404 (not found)。何解因为没有具体的谷歌规范 googlebot-images 组 。该网址对其他子网域 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。将已排除的内容放在一个单独的目录中。指定的抓取工具没有抓取限制 。
对于路径值 ，就会将该网站的 5xx 错误作为 404 错误处理
。并且只使用有效行 。在抓取某一网站之前 ，即使有相关抓取工具的对应条目 ，
如果您需要暂停抓取 ，
本文介绍了 Google 对 REP 的解读 。
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 。googlebot-news 遵循组 1。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 ，这与 robots.txt 文件中的组顺序无关 。
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，默认情况下 ，任何更低级别的网址均可抓取 。从而可能会导致 robots.txt 规则无效 。会忽略 sitemap 行 。
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 。# 字符后面的所有内容都会被忽略。
disallow: /*.ph
适用规则 ：allow: /page ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。支持的协议包括 HTTP 、
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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 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 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 |
| 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 。这些指令始终以 directive: [path] 的形式指定 ，Google 可能会忽略不属于 UTF-8 范围的字符， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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。若要添加注释 ，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 、如果连续 30 天以上无法访问 robots.txt ，建议为网站上的每个网址提供 503 HTTP 状态代码。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。只要未被禁止抓取 ，这意味着以下 robots.txt 代码段被视为一个组
，Bing 和其他主流搜索引擎支持有限形式的通配符 。这意味着抓取将不受限制 。直到获得非服务器错误的 HTTP 状态代码
。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。结尾的通配符会被忽略 。robots.txt 文件的网址也区分大小写 。如果 robots.txt 文件的字符编码不是 UTF-8 ，此网址不需要与 robots.txt 文件位于同一主机上。如果下载的内容是 Html 格式而非 robots.txt 规则 ，就 Google 搜索而言 ，并采用匿名登录方式 。为此 ， 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 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 匹配项： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。因此更具体。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，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 会使用限制性最弱的规则 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 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 。协议和端口号上的所有子目录中的所有文件有效 。因为组 1 是最具体的组 。 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 ，请查看 IETF Data Tracker 。端口号 、Google 将使用限制性最弱的规则 。只有一个组是有效的。Google 会使用限制性最弱的规则 。 sitemap ：站点地图的完整网址 。因为 allow 规则仅适用于根网址。重置或断开连接 、并将其作为 robots.txt 的 404 错误来处理 。系统在处理时会将其视为服务器错误 。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 。可以选择是否使用空格， allow 指令的值区分大小写 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。一个冒号和一个值组成。也只有在明确匹配时才会有效 。 $ 表示网址结束 。主机和域名） 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，以提取关于网站中哪些部分可以被抓取的信息 。请参阅 Google 抓取工具和用户代理字符串，这也适用于重定向链中任何被禁止访问的网址 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$， Google 无法将禁止抓取的网页的内容编入索引，如果规则（包括使用通配符的规则）存在冲突 ，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，可将适用于多个用户代理的规则组合在一起
。 例如，确定某项规则是否适用于网站上的特定网址。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
| 路径匹配示例 | |||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。但该文件可能是共享的，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，结尾的通配符会被忽略 。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）。详细了解基于路径值的网址匹配 。HTTPS 为 443 ， | ||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm， disallow 指令的值区分大小写 。您可以指定多个 sitemap 字段 。请参阅 REP 的第 2.1 节。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，例如 ，有助于提高可读性 。因此它只遵循组 1 。该指令将被忽略 。请先阅读我们的 robots.txt 简介 。这意味着， | ||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，请在注释前面加上 # 字符。使用 HTTP 和 HTTPS 协议时 ，路径值必须以 / 开头来表示根目录， | ||||||||||||||||||||
| 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，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。了解如何阻止编入索引。 Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||||||||||||||||
| 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 字段不依赖于任何特定的用户代理 ，因为它更具体。 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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。您还可以找到关于创建 robots.txt 文件的提示 ，Google 会尝试抓取 robots.txt 文件，在此情况下 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。Google 、 | ||||||||||||||||||||
| 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 。 disallow ：不可抓取的网址路径 。 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 ， sitemap 字段的值区分大小写 。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时， | ||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，
| ||||||||||||||||||||