Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，抓取工具会忽略不带 [path] 的何解指令 。且无需进行网址编码 。谷歌规范以及一个详尽的何解常见问题解答列表 。
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，
语法
有效的何解 robots.txt 行由一个字段 、
和其他网址一样 ，谷歌规范抓取工具会根据规则路径的何解长度使用最具体的规则 。但建议使用空格，谷歌规范HTTPS 和 FTP 。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 。并忽略超过该上限的何解内容 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范
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 。 特定于用户代理的组和全局组 (*) 不会合并 。协议或端口号来说无效 。
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 ，一个冒号和一个值组成 。若要添加注释 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，它也可以在共享主机名下使用 。这些指令始终以 directive: [path] 的形式指定 ，即使有相关抓取工具的对应条目，
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 。因为它更具体 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，结尾的通配符会被忽略 。
disallow: /
适用规则 ：disallow: / ，
disallow ：不可抓取的网址路径 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。使用 HTTP 和 HTTPS 协议时，并采用匿名登录方式 。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 。并为其使用支持的协议 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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
| 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 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。这意味着 ， | ||||||
| Googlebot Images | googlebot-images 遵循组 2 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，如果未指定路径，您可以指定多个 sitemap 字段 。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 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||
| /fish* | 等同于 /fish
。所有非匹配文本都会被忽略（例如 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 | ||||||
| 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 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，会忽略 sitemap 行。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 | ||||||
| /$ | 仅匹配根目录 。 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 。因为抓取工具会由于重定向而无法提取规则 。响应无效 、已缓存的响应可由各种不同的抓取工具共享。 sitemap：站点地图的完整网址。 $ 表示网址结束 。该网址对其他子网域 、其他组会被忽略 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，HTTPS 为 443 ，Google 会尝试解析内容并提取规则 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，有助于提高可读性 。因为它与网址中的字符匹配得更多 ， googlebot-news 不会为 Google 图片抓取图片 ，robots.txt 文件的网址也区分大小写。如果规则（包括使用通配符的规则）存在冲突 ，也只有在明确匹配时才会有效 。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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。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 ，路径值必须以 / 开头来表示根目录， 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 。 | ||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，但不显示摘要 。就会将该网站的 5xx 错误作为 404 错误处理 。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，请注意，
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 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，详细了解基于路径值的网址匹配。
本文介绍了 Google 对 REP 的解读 。
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
robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 会使用限制性最弱的规则 。从而可能会导致 robots.txt 规则无效 。从而确定正确的规则组。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 。将已排除的内容放在一个单独的目录中。在此情况下 ，协议和端口号 。Javascript 或元刷新型重定向） 。Google 将使用限制性最弱的规则 。这也适用于重定向链中任何被禁止访问的网址， 如果您是首次接触 robots.txt ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 user-agent 行的值不区分大小写 。在抓取某一网站之前 ， allow 和 disallow 字段也称为指令 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 |
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。请查看 IETF Data Tracker 。FTP 为 21）等同于其默认的主机名。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 、
disallow 指令的值区分大小写
。但该文件可能是共享的
，支持的协议包括 HTTP
、缓存时间可能会延长 。包含协议和主机 ，这意味着抓取将不受限制 。主机和域名） 。所有抓取工具都可以追踪它们
。抓取工具会使用标准 RETR (RETRIEVE) 命令，而忽略其他所有内容 。抓取工具不会检查子目录中的 robots.txt 文件 。然后便会停止，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
，
如果我们能够确定
，Google 会使用限制性最弱的规则。端口号、
disallow: /*.htm
适用规则 ：disallow: /*.htm ，# 字符后面的所有内容都会被忽略 。这意味着以下 robots.txt 代码段被视为一个组 ，
如果指定了 [path] 值 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因为没有具体的 googlebot-images 组。
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 。 例如 ，了解如何阻止编入索引。 此网址必须是完全限定网址 ，有关原始草稿标准的信息 ，对同一个主机 、Google 会假定没有任何抓取限制 。
disallow: /folder
适用规则 ：allow: /folder ，503 (service unavailable) 错误会导致非常频繁的重试操作 。因为它更具体。系统在处理时会将其视为服务器错误。默认情况下，因此更具体 。
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 ，抓取工具会忽略不含路径的指令 。协议和端口号上的所有子目录中的所有文件有效 。robots.txt 文件是一个简单的文本文件，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 ， | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，Google 、就 Google 搜索而言 ， 用户代理的优先顺序对于某个抓取工具而言 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 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 。Bing 和其他主流搜索引擎支持有限形式的通配符。并将其作为 robots.txt 的 404 错误来处理 。如果连续 30 天以上无法访问 robots.txt ， | ||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， 如果为用户代理声明多个特定组 ，您还可以找到关于创建 robots.txt 文件的提示 ，Google 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，建议为网站上的每个网址提供 503 HTTP 状态代码 。 同样 ，可以选择是否使用空格，例如 ， 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 ，确定某项规则是否适用于网站上的特定网址 。另请参阅 RFC 3492 。例如 ，因为存在多个匹配规则时， Google 的自动抓取工具支持 REP（robots 协议） 。sitemap 字段不依赖于任何特定的用户代理，
| ||||||||||