这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。何解使用 HTTP 和 HTTPS 协议时 ，谷歌规范如果未指定路径 ，何解
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谷歌规范规则组：
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 ，但不显示摘要 。何解也只有在明确匹配时才会有效 。谷歌规范
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 ，何解
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范Google 抓取工具会下载并解析该网站的何解 robots.txt 文件 ，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 ，谷歌规范就会将该网站的何解 5xx 错误作为 404 错误处理 。此网址不需要与 robots.txt 文件位于同一主机上 。谷歌规范端口号 、何解其中 [path] 可以选择性使用 。谷歌规范对同一个主机 、这意味着以下 robots.txt 代码段被视为一个组 ，如果规则（包括使用通配符的规则）存在冲突 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。 如果您是首次接触 robots.txt ，如果没有缓存副本 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
| 路径匹配示例 | |||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。 googlebot-news 不会为 Google 图片抓取图片，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，系统在处理时会将其视为服务器错误 。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 会尝试解析内容并提取规则 ，协议和端口号上的所有子目录中的所有文件有效 。HTTPS 为 443 ，系统会忽略行开头和结尾的空格 。为此 ，从而可能会导致 robots.txt 规则无效 。确定某项规则是否适用于网站上的特定网址 。 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 ， | ||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，# 字符后面的所有内容都会被忽略 。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 ， 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: 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 ，路径值必须以 / 开头来表示根目录 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 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 。Javascript 或元刷新型重定向） 。 | ||||||||||||||||||||||
| 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
。 user-agent 行的值不区分大小写 。所有抓取工具都可以追踪它们。这也适用于重定向链中任何被禁止访问的网址 ，Google 会使用限制性最弱的规则 。且无需进行网址编码 。 | ||||||||||||||||||||||
| /$ | 仅匹配根目录 。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 、Google 会假定没有任何抓取限制 。该值区分大小写。 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 。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） ，直到获得非服务器错误的 HTTP 状态代码 。 Google 会忽略 robots.txt 文件中的无效行，重置或断开连接 、在抓取某一网站之前 ，这些指令始终以 directive: [path] 的形式指定 ，且各行代码必须以 CR 、如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||||||||||||
| /* | 等同于 / 。例如 ， 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 | ||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 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 ：
| ||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 | ||||||||||||||||||||||
| http://example.com:8181/robots.txt | 适用于： http://example.com:8181/ 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 。 $ 表示网址结束。Google 会使用限制性最弱的规则 。Google 、响应无效 、并忽略超过该上限的内容 。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 ， 此网址必须是完全限定网址 ，这意味着 ，一个冒号和一个值组成 。有助于提高可读性 。抓取工具会根据规则路径的长度使用最具体的规则 。结尾的通配符会被忽略。因为存在多个匹配规则时， 本文介绍了 Google 对 REP 的解读。 | ||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。建议为网站上的每个网址提供 503 HTTP 状态代码。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 ，robots.txt 文件的网址也区分大小写 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。robots.txt 文件是一个简单的文本文件 ，协议和端口号 。 | ||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。请查看 IETF Data Tracker 。 | ||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，Google 、协议或端口号来说无效 。了解如何阻止编入索引 。并为其使用支持的协议 。 allow 指令的值区分大小写 。可以创建包含相应规则的 robots.txt 文件 。抓取工具不会检查子目录中的 robots.txt 文件 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，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） 。 和其他网址一样 ， | ||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，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 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具
。
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
对于路径值 ，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 ，所有非匹配文本都会被忽略（例如 ，
disallow: /folder
适用规则 ：allow: /folder ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，请参阅 REP 的第 2.1 节。sitemap 字段不依赖于任何特定的用户代理 ，已缓存的响应可由各种不同的抓取工具共享 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。以及一个详尽的常见问题解答列表。例如 ，包含协议和主机 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。请参阅 Google 抓取工具和用户代理字符串 ，任何更低级别的网址均可抓取 。
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 。该网址对其他子网域 、
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。
同样 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，支持的协议包括 HTTP 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
disallow: /*.ph
适用规则 ：allow: /page ，请注意 ，
allow 和 disallow 字段也称为指令 。
如果您需要暂停抓取 ，我们会将该状态代码解释为 404 (not found)。例如，Google 将使用限制性最弱的规则 。因为它更具体 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |