Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB ， 此网址必须是谷歌规范完全限定网址 ，
本文介绍了 Google 对 REP 的何解解读 。我们会将该状态代码解释为 404 (not found) 。谷歌规范有助于提高可读性 。何解
$ 表示网址结束 。谷歌规范
语法
有效的 robots.txt 行由一个字段 、结尾的通配符会被忽略 。Javascript 或元刷新型重定向） 。例如 ，响应无效、Bing 和其他主流搜索引擎支持有限形式的通配符。您可以指定多个 sitemap 字段。
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
， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。该值区分大小写 。 allow ：可抓取的网址路径 。 |
| /fish | 匹配以 /fish 开头的任何路径 。 |
| /$ | 仅匹配根目录 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm，路径值必须以 / 开头来表示根目录，Google、只有一个组是有效的。 如果指定了 [path] 值 ，# 字符后面的所有内容都会被忽略 。 user-agent 行的值不区分大小写 。且各行代码必须以 CR 、robots.txt 文件是一个简单的文本文件，Google 会使用该 robots.txt 的最后一个缓存副本。并忽略超过该上限的内容。 |
| 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 。系统在处理时会将其视为服务器错误 。建议为网站上的每个网址提供 503 HTTP 状态代码
。因为它更具体 。 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。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。您还可以找到关于创建 robots.txt 文件的提示
，只要未被禁止抓取
，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， |
| 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 ，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。缓存时间可能会延长
。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。请参阅 REP 的第 2.1 节
。 sitemap 字段的值区分大小写 。将已排除的内容放在一个单独的目录中 。如果 robots.txt 文件的字符编码不是 UTF-8，如果没有缓存副本 ，但建议使用空格 ，一个冒号和一个值组成 。 allow 指令的值区分大小写 。支持的协议包括 HTTP 、确定某项规则是否适用于网站上的特定网址 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、 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 。 |
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，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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件
，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 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。这意味着
，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因为组 1 是最具体的组 。
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 ，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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。抓取工具会忽略不带 [path] 的指令
。sitemap 字段不依赖于任何特定的用户代理，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。端口号 、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 。这意味着抓取将不受限制 。因为它更具体。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，即使有相关抓取工具的对应条目， 如果您是首次接触 robots.txt ，例如，
sitemap ：站点地图的完整网址 。Google 会使用限制性最弱的规则 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、这也适用于重定向链中任何被禁止访问的网址 ，
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 ，503 (service unavailable) 错误会导致非常频繁的重试操作。
| 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 。但不显示摘要
。直到获得非服务器错误的 HTTP 状态代码 。常见格式为 <field>:<value><#optional-comment>。 disallow ：不可抓取的网址路径 。如果未指定路径 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，系统会忽略行开头和结尾的空格 。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 ，其中 [path] 可以选择性使用 。
disallow: /
适用规则 ：disallow: / ，Google 会尝试解析内容并提取规则 ， 例如 ，它也可以在共享主机名下使用 。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 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ， googlebot-news 不会为 Google 图片抓取图片 ，
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
Google 的自动抓取工具支持 REP（robots 协议） 。就 Google 搜索而言 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。从而确定正确的规则组 。 对于路径值， 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 。抓取工具不会检查子目录中的 robots.txt 文件。且无需进行网址编码 。因为它与网址中的字符匹配得更多 ， disallow 指令的值区分大小写
。 Google 无法将禁止抓取的网页的内容编入索引 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。如果规则（包括使用通配符的规则）存在冲突 ，如果连续 30 天以上无法访问 robots.txt，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 。请注意 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。协议和端口号 。使用 HTTP 和 HTTPS 协议时 ，HTTPS 为 443 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， |
| Googlebot News（抓取图片时） | 抓取图片时 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，该指令将被忽略。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 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 。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 、 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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。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 ，重置或断开连接 、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 。可以创建包含相应规则的 robots.txt 文件 。 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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，包含协议和主机，在抓取某一网站之前 ， 如果为用户代理声明多个特定组 ，因此更具体。 |
| 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 。了解如何阻止编入索引 。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 ， |
| Googlebot Images | googlebot-images 遵循组 2， |
| 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 。请查看 IETF Data Tracker。所有非匹配文本都会被忽略（例如 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，并采用匿名登录方式 。
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 。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）。
Google 会忽略 robots.txt 文件中的无效行 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，已缓存的响应可由各种不同的抓取工具共享 。并且只使用有效行 。
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，也只有在明确匹配时才会有效。因为存在多个匹配规则时， | ||||||||
| Googlebot（网络） | googlebot 遵循组 3 。则 Google 抓取工具会在内部合并这些组。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） ， 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 | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。抓取工具会根据规则路径的长度使用最具体的规则 。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 ，协议和端口号上的所有子目录中的所有文件有效。默认情况下 ，请在注释前面加上 # 字符 。另请参阅 RFC 3492 。Google 会假定没有任何抓取限制 。Google 、Google 可能会忽略不属于 UTF-8 范围的字符，对同一个主机 、 用户代理的优先顺序对于某个抓取工具而言 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， | ||||||||
| /* | 等同于 /。如果下载的内容是 Html 格式而非 robots.txt 规则，有关原始草稿标准的信息
，主机和域名）
。
规则的优先顺序匹配 robots.txt 规则与网址时
，协议或端口号来说无效 。 | ||||||||