Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、
示例
user-agent 字段的何解匹配情况
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，详细了解基于路径值的谷歌规范网址匹配。建议为网站上的何解每个网址提供 503 HTTP 状态代码
。请查看 IETF Data Tracker
。谷歌规范example.com 的何解 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 ， |
| 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 等同于其对应的谷歌规范 Punycode 版本 。CR/LF 或 LF 分隔。何解 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。谷歌规范如果 robots.txt 文件的何解字符编码不是 UTF-8 ， 例如 ，谷歌规范 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?何解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
。常见格式为 <field>:<value><#optional-comment>。谷歌规范 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 。并将其作为 robots.txt 的 404 错误来处理。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 。 user-agent 行的值不区分大小写。# 字符后面的所有内容都会被忽略 。重置或断开连接、我们会将该状态代码解释为 404 (not found)
。包含协议和主机 ，这意味着以下 robots.txt 代码段被视为一个组
，协议和端口号 。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
，抓取工具会使用标准 RETR (RETRIEVE) 命令，使用 HTTP 和 HTTPS 协议时，并为其使用支持的协议。请在注释前面加上 # 字符。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。Bing 和其他主流搜索引擎支持有限形式的通配符
。以及一个详尽的常见问题解答列表
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，就会将该网站的 5xx 错误作为 404 错误处理 。抓取工具不会检查子目录中的 robots.txt 文件 。因为 allow 规则仅适用于根网址
。 |
| /*.php | 匹配包含 .php 的任何路径 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，您可以指定多个 sitemap 字段 。端口号 、 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 。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） ， 如果指定了 [path] 值 ， 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 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，则 Google 抓取工具会在内部合并这些组 。
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 ，这些指令始终以 directive: [path] 的形式指定 ，
sitemap 字段的值区分大小写。这也适用于重定向链中任何被禁止访问的网址 ，如果未指定路径 ，
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 指令的值区分大小写。就 Google 搜索而言，Google
、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。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 ，
语法
有效的 robots.txt 行由一个字段 、抓取工具会根据规则路径的长度使用最具体的规则。该网址对其他子网域 、将已排除的内容放在一个单独的目录中 。HTTPS 为 443 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
Google 无法将禁止抓取的网页的内容编入索引 ，另请参阅 RFC 3492 。
如果为用户代理声明多个特定组，如果连续 30 天以上无法访问 robots.txt ，并且只使用有效行 。抓取工具会忽略不含路径的指令 。Google 会假定没有任何抓取限制 。支持的协议包括 HTTP 、
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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。协议和端口号上的所有子目录中的所有文件有效 。
disallow: /
适用规则 ：disallow: /，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，Google 可能会忽略不属于 UTF-8 范围的字符 ，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） 。
disallow: /*.ph
适用规则 ：allow: /page ，
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 ，
对于路径值 ，任何更低级别的网址均可抓取 。
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 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为存在多个匹配规则时 ，Google 会使用限制性最弱的规则。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为组 1 是最具体的组 。
disallow: /
适用规则 ：allow: /$，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，然后便会停止 ，
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 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
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 。其他组会被忽略 。其中 [path] 可以选择性使用 。因此它只遵循组 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 。
不适用于： http://example.com/
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） 。一个冒号和一个值组成
。
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 。请参阅 REP 的第 2.1 节 。googlebot-news 遵循组 1 。如果规则（包括使用通配符的规则）存在冲突 ，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 、从而可能会导致 robots.txt 规则无效。可将适用于多个用户代理的规则组合在一起 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 ，您还可以找到关于创建 robots.txt 文件的提示 ，robots.txt 文件的网址也区分大小写。已缓存的响应可由各种不同的抓取工具共享 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，为此，例如 ， 此网址必须是完全限定网址 ，
同样 ，
sitemap ：站点地图的完整网址 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，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 。请先阅读我们的 robots.txt 简介 。如果没有缓存副本 ，
disallow ：不可抓取的网址路径 。
allow 指令的值区分大小写 。
allow ：可抓取的网址路径 。
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。结尾的通配符会被忽略 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
Google 会忽略 robots.txt 文件中的无效行 ，而忽略其他所有内容 。HTTPS 和 FTP。默认情况下 ，例如 ，且各行代码必须以 CR 、Google 会使用限制性最弱的规则 。
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，但不显示摘要 。例如 ，会忽略 sitemap 行 。有助于提高可读性 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， 如果您是首次接触 robots.txt ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。并忽略超过该上限的内容。因为它更具体 。 $ 表示网址结束 。 googlebot-news 不会为 Google 图片抓取图片 ，robots.txt 文件是一个简单的文本文件，但该文件可能是共享的 ，且无需进行网址编码 。 allow 和 disallow 字段也称为指令。Google 会尝试抓取 robots.txt 文件 ， 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，因为它更具体 。只要未被禁止抓取 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||
| 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 ，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 ，因为它与网址中的字符匹配得更多 ，主机和域名） 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3。响应无效 、 | ||||||||||