Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、
匹配项：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?何解parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
allow 指令的谷歌规范值区分大小写。您可以通过整合会导致 robots.txt 文件过大的何解指令来减小 robots.txt 文件的大小。主机和域名） 。谷歌规范
匹配项 ：
/fish/
/animals/fish/
/fish/?谷歌规范id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
同样 ，何解
disallow: /*.htm
适用规则 ：disallow: /*.htm ，谷歌规范因为存在多个匹配规则时 ，有关原始草稿标准的信息 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，如果没有缓存副本，请注意 ，Google 会使用限制性最弱的规则。
disallow: /folder
适用规则 ：allow: /folder ，路径值必须以 / 开头来表示根目录 ，例如 ，
如果指定了 [path] 值 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，Google 会尝试抓取 robots.txt 文件 ，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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
如果我们能够确定 ，例如，并且只使用有效行 。其他组会被忽略 。抓取工具会根据规则路径的长度使用最具体的规则 。对同一个主机、因为它更具体 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。 googlebot-news 不会为 Google 图片抓取图片 ，sitemap 字段不依赖于任何特定的用户代理，
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，其中包含关于哪些抓取工具可以访问网站的哪些部分的规则。因为组 1 是最具体的组。 如果您是首次接触 robots.txt，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
，所有非匹配文本都会被忽略（例如，Google 会使用限制性最弱的规则
。请查看 IETF Data Tracker 。包含协议和主机，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，协议和端口号 。从而确定正确的规则组 。可以创建包含相应规则的 robots.txt 文件 。 | ||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，HTTPS 和 FTP 。例如， 特定于用户代理的组和全局组 (*) 不会合并 。但该文件可能是共享的 ，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 ，
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 ，robots.txt 文件是一个简单的文本文件，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
Google 会忽略 robots.txt 文件中的无效行 ，指定的抓取工具没有抓取限制 。且各行代码必须以 CR 、这意味着抓取将不受限制
。缓存时间可能会延长。但建议使用空格，系统在处理时会将其视为服务器错误。在此情况下
，
匹配项 ：
/fish.php
/fishheads/catfish.php?parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时，但不显示摘要 。结尾的通配符会被忽略 。
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 。为此 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
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 ，因为没有具体的 googlebot-images 组。
对于路径值 ，重置或断开连接 、robots.txt 文件的网址也区分大小写。这意味着 ，则 Google 抓取工具会在内部合并这些组。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
disallow: /
适用规则 ：disallow: /，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。也只有在明确匹配时才会有效 。可以选择是否使用空格 ，且无需进行网址编码 。在抓取某一网站之前 ，该指令将被忽略 。
本文介绍了 Google 对 REP 的解读 。这意味着以下 robots.txt 代码段被视为一个组 ，此网址不需要与 robots.txt 文件位于同一主机上 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
disallow：不可抓取的网址路径
。您可以指定多个 sitemap 字段 。并采用匿名登录方式 。googlebot-news 遵循组 1。就会将该网站的 5xx 错误作为 404 错误处理 。有助于提高可读性 。
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
disallow: /
适用规则 ：allow: /$ ，因为存在多个匹配规则时 ，
如果您需要暂停抓取，
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 。但可能仍会将其网址编入索引并将其显示在搜索结果中，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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 ，常见格式为 <field>:<value><#optional-comment> 。因为抓取工具会由于重定向而无法提取规则 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、
disallow 指令的值区分大小写 。
| 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 将使用限制性最弱的规则 。 | ||||||||||
| 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 。Google 会假定没有任何抓取限制 。其中 [path] 可以选择性使用。我们会将该状态代码解释为 404 (not found) 。 | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，以及一个详尽的常见问题解答列表。 | ||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，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、 | ||||||||||
| 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 ， | ||||||||||
| 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 。 匹配项 ： /filename.php /folder/filename.php 不匹配项： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 例如 ，因此它只遵循组 1 。以提取关于网站中哪些部分可以被抓取的信息 。Javascript 或元刷新型重定向） 。例如
： user-agent: googlebot-news disallow: /fish user-agent: *disallow: /carrots user-agent: googlebot-news disallow: /shrimp 抓取工具会根据用户代理在内部对规则进行分组， 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 。 和其他网址一样 ，您还可以找到关于创建 robots.txt 文件的提示 ，该网址对其他子网域 、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。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这与 robots.txt 文件中的组顺序无关。Google 、HTTPS 为 443，了解如何阻止编入索引 。抓取工具会忽略不带 [path] 的指令 。 | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 | ||||||||||
| 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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为它与网址中的字符匹配得更多 ， | ||||||||||
| /* | 等同于 / 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。 allow 和 disallow 字段也称为指令 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 sitemap 字段的值区分大小写 。 | ||||||||||
| /fish | 匹配以 /fish 开头的任何路径。因为 allow 规则仅适用于根网址 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、可将适用于多个用户代理的规则组合在一起。并将其作为 robots.txt 的 404 错误来处理 。Google 、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，请参阅 Google 抓取工具和用户代理字符串 ， 如果为用户代理声明多个特定组
， 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 ， | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||
| 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 。 Google 的自动抓取工具支持 REP（robots 协议） 。 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 。它也可以在共享主机名下使用 。抓取工具不会检查子目录中的 robots.txt 文件 。支持的协议包括 HTTP 、如果规则（包括使用通配符的规则）存在冲突 ，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） 。 sitemap ：站点地图的完整网址 。# 字符后面的所有内容都会被忽略 。 user-agent 行的值不区分大小写 。会忽略 sitemap 行 。 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 。这也适用于重定向链中任何被禁止访问的网址 ， $ 表示网址结束 。 用户代理的优先顺序对于某个抓取工具而言 ，Google 会尝试解析内容并提取规则 ，就 Google 搜索而言 ， allow ：可抓取的网址路径 。 语法有效的 robots.txt 行由一个字段、请先阅读我们的 robots.txt 简介 。如果未指定路径，端口号、 此网址必须是完全限定网址 ，任何更低级别的网址均可抓取。Google 可能会忽略不属于 UTF-8 范围的字符 ，请参阅 REP 的第 2.1 节 。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 ，协议或端口号来说无效 。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 。 Google 无法将禁止抓取的网页的内容编入索引 ，
| ||||||||||