文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件， 如果您是谷歌规范首次接触 robots.txt，请在注释前面加上 # 字符
。何解 googlebot-news 不会为 Google 图片抓取图片 ，谷歌规范
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。何解
Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，
$ 表示网址结束 。何解若要添加注释 ，谷歌规范可将适用于多个用户代理的何解规则组合在一起 。请注意 ，谷歌规范
不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。抓取工具会根据规则路径的谷歌规范长度使用最具体的规则 。 例如 ，何解Google 会假定没有任何抓取限制 。谷歌规范
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件
。并将其作为 robots.txt 的 404 错误来处理 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。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） ，有关原始草稿标准的信息
， allow ：可抓取的网址路径。则 Google 抓取工具会在内部合并这些组 。因为抓取工具会由于重定向而无法提取规则。抓取工具会忽略不含路径的指令 。但不显示摘要 。 |
| 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 ，端口号 、请参阅 REP 的第 2.1 节。并采用匿名登录方式
。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，这意味着以下 robots.txt 代码段被视为一个组 ，一个冒号和一个值组成。结尾的通配符会被忽略 。此网址不需要与 robots.txt 文件位于同一主机上。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、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 ，因为存在多个匹配规则时 ，系统会忽略行开头和结尾的空格 。任何更低级别的网址均可抓取 。常见格式为 <field>:<value><#optional-comment> 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。路径值必须以 / 开头来表示根目录 ，语法有效的 robots.txt 行由一个字段、 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，其中 [path] 可以选择性使用。请参阅 Google 抓取工具和用户代理字符串，Javascript 或元刷新型重定向） 。但建议使用空格 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
如果指定了 [path] 值，
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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
allow 和 disallow 字段也称为指令 。
| 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 。确定某项规则是否适用于网站上的特定网址 。协议和端口号上的所有子目录中的所有文件有效。 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 。系统在处理时会将其视为服务器错误 。但该文件可能是共享的 ，并为其使用支持的协议 。并且只使用有效行 。也只有在明确匹配时才会有效 。 disallow ：不可抓取的网址路径 。只要未被禁止抓取 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 本文介绍了 Google 对 REP 的解读 。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） 。 | ||||||||||||||||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应，抓取工具不会检查子目录中的 robots.txt 文件 。但可能仍会将其网址编入索引并将其显示在搜索结果中，例如 ，Google 将使用限制性最弱的规则 。 | ||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，因为它与网址中的字符匹配得更多 ，以及一个详尽的常见问题解答列表 。503 (service unavailable) 错误会导致非常频繁的重试操作 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 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
。 Google 无法将禁止抓取的网页的内容编入索引 ，这意味着抓取将不受限制 。 disallow 指令的值区分大小写 。 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 ，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， 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，Google 会尝试解析内容并提取规则 ，使用 HTTP 和 HTTPS 协议时， robots.txt 文件中列出的规则只适用于该文件所在的主机 、我们会将该状态代码解释为 404 (not found) 。 | ||||||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 用户代理的优先顺序对于某个抓取工具而言 ，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，所有抓取工具都可以追踪它们 。robots.txt 文件是一个简单的文本文件，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 。请先阅读我们的 robots.txt 简介 。在抓取某一网站之前 ，例如， | ||||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，指定的抓取工具没有抓取限制。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。例如，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 。因为 allow 规则仅适用于根网址 。这意味着 ，默认情况下 ，将已排除的内容放在一个单独的目录中。如果没有缓存副本 ，支持的协议包括 HTTP、 sitemap ：站点地图的完整网址。googlebot-news 遵循组 1 。 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 。sitemap 字段不依赖于任何特定的用户代理 ， 如果为用户代理声明多个特定组， | ||||||||||||||||||||||||||||||||||
| 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 。已缓存的响应可由各种不同的抓取工具共享 。Bing 和其他主流搜索引擎支持有限形式的通配符 。该网址对其他子网域、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。Google 、这与 robots.txt 文件中的组顺序无关 。为此，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 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 ，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 。例如 ， 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 ，有助于提高可读性。 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ，因为组 1 是最具体的组 。您可以指定多个 sitemap 字段。因为它更具体
。从而确定正确的规则组 。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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。即使有相关抓取工具的对应条目，CR/LF 或 LF 分隔 。Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||||||||||||||||||||||
| 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 会使用限制性最弱的规则 。如果连续 30 天以上无法访问 robots.txt ， Google 会忽略 robots.txt 文件中的无效行 ，这些指令始终以 directive: [path] 的形式指定 ， | ||||||||||||||||||||||||||||||||||
| 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 ： /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 。HTTPS 和 FTP
。 | ||||||||||||||||||||||||||||||||||