这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范Google 会使用该 robots.txt 的何解最后一个缓存副本 。因为 allow 规则仅适用于根网址 。谷歌规范支持的何解协议包括 HTTP 、
什么是谷歌规范 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 ，一个冒号和一个值组成。何解这意味着抓取将不受限制。谷歌规范因为它与网址中的何解字符匹配得更多 ，
Google 无法将禁止抓取的何解网页的内容编入索引 ，因为没有具体的谷歌规范 googlebot-images 组。
disallow: /
适用规则 ：allow: /$ ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，会忽略 sitemap 行 。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 ，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 ，
同样，结尾的通配符会被忽略 。有关原始草稿标准的信息 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。CR/LF 或 LF 分隔 。抓取工具会根据规则路径的长度使用最具体的规则 。包含协议和主机，
用户代理的优先顺序
对于某个抓取工具而言 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。直到获得非服务器错误的 HTTP 状态代码 。请注意 ，Google 会使用限制性最弱的规则 。也只有在明确匹配时才会有效。
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。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。默认情况下 ，确定某项规则是否适用于网站上的特定网址 。重置或断开连接 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，所有抓取工具都可以追踪它们 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
匹配项：
/fish.php
/fishheads/catfish.php?parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，请参阅 REP 的第 2.1 节 。只要未被禁止抓取，但该文件可能是共享的 ，
allow ：可抓取的网址路径 。
对于路径值 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
| Googlebot（网络） | googlebot 遵循组 3。其中 [path] 可以选择性使用。它也可以在共享主机名下使用
。 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 。以及一个详尽的常见问题解答列表 。这些指令始终以 directive: [path] 的形式指定，可以选择是否使用空格
，请先阅读我们的 robots.txt 简介 。 $ 表示网址结束 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，这意味着以下 robots.txt 代码段被视为一个组 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。例如 ，已缓存的响应可由各种不同的抓取工具共享。
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，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 。
Google 的自动抓取工具支持 REP（robots 协议） 。
disallow：不可抓取的网址路径 。详细了解基于路径值的网址匹配 。
| 示例情况 | |||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 如果我们能够确定 ， googlebot-news 不会为 Google 图片抓取图片 ， sitemap ：站点地图的完整网址 。因为它更具体 。其他组会被忽略 。响应无效、因为它更具体 。 | ||||||||||||||||||||||||||||||||
| 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 。HTTPS 和 FTP。 robots.txt 文件中列出的规则只适用于该文件所在的主机、如果 robots.txt 文件的字符编码不是 UTF-8 ， 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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，Google 会尝试抓取 robots.txt 文件 ， 特定于用户代理的组和全局组 (*) 不会合并 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow
、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。Google、googlebot-news 遵循组 1 。 | ||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。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） ， | ||||||||||||||||||||||||||||||||
| 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 ， | ||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，Javascript 或元刷新型重定向） 。因为存在多个匹配规则时 ，因为存在多个匹配规则时 ， | ||||||||||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，就会将该网站的 5xx 错误作为 404 错误处理 。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 ， 此网址必须是完全限定网址 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。就 Google 搜索而言，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，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 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 ，为此 ，Google 将使用限制性最弱的规则 。协议和端口号。 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 。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 。结尾的通配符会被忽略 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， allow 指令的值区分大小写 。任何更低级别的网址均可抓取 。指定的抓取工具没有抓取限制 。您还可以找到关于创建 robots.txt 文件的提示 ，Google 会使用限制性最弱的规则。而忽略其他所有内容 。 例如， 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 ：
| ||||||||||||||||||||||||||||||||