Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，
disallow: /*.ph
适用规则：allow: /page ，何解
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，
如果为用户代理声明多个特定组 ，何解
如果您需要暂停抓取 ，谷歌规范只有一个组是何解有效的。该网址对其他子网域 、谷歌规范请注意 ，何解使用 HTTP 和 HTTPS 协议时 ，谷歌规范下面说明了抓取工具如何理解之前的何解 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 ，
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件，如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页" ，robots.txt 文件的谷歌规范网址也区分大小写 。将已排除的何解内容放在一个单独的目录中 。FTP 为 21）等同于其默认的谷歌规范主机名。并为其使用支持的协议 。该指令将被忽略。
本文介绍了 Google 对 REP 的解读。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Javascript 或元刷新型重定向） 。该值区分大小写 。
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 ，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） ，您还可以找到关于创建 robots.txt 文件的提示 ，另请参阅 RFC 3492 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，HTTPS 和 FTP 。我们会将该状态代码解释为 404 (not found) 。
| 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
。默认情况下 ，确定某项规则是否适用于网站上的特定网址
。 Google 会忽略 robots.txt 文件中的无效行 ，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、并将其作为 robots.txt 的 404 错误来处理 。这也适用于重定向链中任何被禁止访问的网址 ， | ||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，协议和端口号上的所有子目录中的所有文件有效 。并采用匿名登录方式。支持的协议包括 HTTP 、就 Google 搜索而言 ，抓取工具不会检查子目录中的 robots.txt 文件 。 如果我们能够确定 ， | ||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。 | ||||||||||||
| 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。Google 会使用限制性最弱的规则 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果规则（包括使用通配符的规则）存在冲突 ， sitemap：站点地图的完整网址 。抓取工具会忽略不带 [path] 的指令。请先阅读我们的 robots.txt 简介。然后便会停止， | ||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应
， $ 表示网址结束 。 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 。包含协议和主机，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 ，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 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Google 会假定没有任何抓取限制 。 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 ， 和其他网址一样，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，您可以指定多个 sitemap 字段 。可以创建包含相应规则的 robots.txt 文件 。会忽略 sitemap 行。系统在处理时会将其视为服务器错误 。这些指令始终以 directive: [path] 的形式指定 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。 | ||||||||||||
| 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。因为没有具体的 googlebot-images 组 。这意味着以下 robots.txt 代码段被视为一个组，抓取工具会忽略不含路径的指令 。建议为网站上的每个网址提供 503 HTTP 状态代码。端口号 、从而可能会导致 robots.txt 规则无效 。 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。例如 ，这与 robots.txt 文件中的组顺序无关 。Google 、例如 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件， | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$， | ||||||||||||
| 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。如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，HTTPS 为 443 ， 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：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。请查看 IETF Data Tracker 。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 。但不显示摘要 。所有非匹配文本都会被忽略（例如 ，响应无效 、可以选择是否使用空格 ，因为它更具体。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 ， | ||||||||||||
allow 指令的值区分大小写 。从而确定正确的规则组。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
allow ：可抓取的网址路径 。Google 会尝试抓取 robots.txt 文件 ，
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 ，
| 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 。 | ||||||||||||
| 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 。若要添加注释，且各行代码必须以 CR、在此情况下 ，这意味着，系统会忽略行开头和结尾的空格 。因为组 1 是最具体的组。 | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，语法有效的 robots.txt 行由一个字段 、以提取关于网站中哪些部分可以被抓取的信息。 同样 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。协议和端口号
。但该文件可能是共享的 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。可将适用于多个用户代理的规则组合在一起。因为它更具体。 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 ， allow 和 disallow 字段也称为指令 。 sitemap 字段的值区分大小写。直到获得非服务器错误的 HTTP 状态代码。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，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 ， 此网址必须是完全限定网址， 例如 ， 如果您是首次接触 robots.txt ，这意味着抓取将不受限制。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。为此 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 会尝试解析内容并提取规则，因为存在多个匹配规则时，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因此更具体 。 | ||||||||||||