sitemap ：站点地图的何解完整网址 。建议为网站上的谷歌规范每个网址提供 503 HTTP 状态代码。我们会将该状态代码解释为 404 (not found) 。何解您可以指定多个 sitemap 字段。谷歌规范了解如何阻止编入索引 。何解
和其他网址一样 ，谷歌规范
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的何解路径。系统在处理时会将其视为服务器错误 。谷歌规范
Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB，但在无法刷新缓存版本的谷歌规范情况下（例如出现超时或 5xx 错误时），
如果我们能够确定，何解
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时 ，而忽略其他所有内容 。何解以及一个详尽的谷歌规范常见问题解答列表。指定的抓取工具没有抓取限制。然后便会停止 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
| 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。 本文介绍了 Google 对 REP 的解读 。 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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，sitemap 字段不依赖于任何特定的用户代理 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。所有非匹配文本都会被忽略（例如， | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，请查看 IETF Data Tracker。 | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。协议和端口号 。 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 。该指令将被忽略 。此网址不需要与 robots.txt 文件位于同一主机上。 | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，如果规则（包括使用通配符的规则）存在冲突 ，对同一个主机 、并忽略超过该上限的内容 。可以创建包含相应规则的 robots.txt 文件 。 allow ：可抓取的网址路径 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这意味着 ， 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，Google 将使用限制性最弱的规则 。Google 会使用该 robots.txt 的最后一个缓存副本。并将其作为 robots.txt 的 404 错误来处理。 对于路径值 ， Google 会忽略 robots.txt 文件中的无效行
，例如 ，若要添加注释 ，抓取工具会忽略不带 [path] 的指令 。另请参阅 RFC 3492 。Google 会假定没有任何抓取限制。503 (service unavailable) 错误会导致非常频繁的重试操作
。支持的协议包括 HTTP
、如果下载的内容是 Html 格式而非 robots.txt 规则 ，可以选择是否使用空格， * 表示出现 0 次或多次的任何有效字符 。这意味着抓取将不受限制 。 同样 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。# 字符后面的所有内容都会被忽略 。 语法有效的 robots.txt 行由一个字段 、 disallow ：不可抓取的网址路径 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，路径值必须以 / 开头来表示根目录 ，这与 robots.txt 文件中的组顺序无关 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder，协议或端口号来说无效 。以提取关于网站中哪些部分可以被抓取的信息 。 allow 指令的值区分大小写 。为此 ，使用 HTTP 和 HTTPS 协议时， | ||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，也只有在明确匹配时才会有效。从而可能会导致 robots.txt 规则无效 。
如果指定了 [path] 值，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，您还可以找到关于创建 robots.txt 文件的提示 ，只有一个组是有效的 。常见格式为 <field>:<value><#optional-comment>。包含协议和主机，端口号 、HTTPS 为 443 ，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 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。请在注释前面加上 # 字符 。Google 、任何更低级别的网址均可抓取 。
| 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 。 |
| 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
，在此情况下 ，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 无法将禁止抓取的网页的内容编入索引，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 |
| 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 。googlebot-news 遵循组 1 。缓存时间可能会延长 。因为存在多个匹配规则时 ， 如果您是首次接触 robots.txt，会忽略 sitemap 行 。在抓取某一网站之前 ，例如 ，请先阅读我们的 robots.txt 简介 。 特定于用户代理的组和全局组 (*) 不会合并 。抓取工具不会检查子目录中的 robots.txt 文件 。可将适用于多个用户代理的规则组合在一起。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，则 Google 抓取工具会在内部合并这些组 。 disallow 指令的值区分大小写 。响应无效、Google 可能会忽略不属于 UTF-8 范围的字符， 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 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ， |
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 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、已缓存的响应可由各种不同的抓取工具共享。
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址 。如果 robots.txt 文件的字符编码不是 UTF-8 ，FTP 为 21）等同于其默认的主机名 。结尾的通配符会被忽略 。 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 。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。抓取工具会根据规则路径的长度使用最具体的规则 。Google 会使用限制性最弱的规则
。
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||
| /$ | 仅匹配根目录
。CR/LF 或 LF 分隔 。Google 会尝试解析内容并提取规则 ，因此更具体
。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 。因为它更具体。 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 。 如果为用户代理声明多个特定组 ， | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。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、因为它与网址中的字符匹配得更多 ， | ||||||||
| 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 。结尾的通配符会被忽略 。协议和端口号上的所有子目录中的所有文件有效。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 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 ，Google 会使用限制性最弱的规则 。系统会忽略行开头和结尾的空格 。因为抓取工具会由于重定向而无法提取规则 。 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 。所有抓取工具都可以追踪它们 。 | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， | ||||||||
| 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。robots.txt 文件是一个简单的文本文件
，默认情况下 ， Google 的自动抓取工具支持 REP（robots 协议）。例如
， | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。因为存在多个匹配规则时，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，将已排除的内容放在一个单独的目录中 。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
，这些指令始终以 directive: [path] 的形式指定 ，主机和域名） 。请参阅 REP 的第 2.1 节
。但建议使用空格 ，且无需进行网址编码
。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） 。 | ||||||||