这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。谷歌规范
如果我们能够确定 ，何解
如果您需要暂停抓取 ，谷歌规范以及一个详尽的何解常见问题解答列表 。抓取工具会根据规则路径的谷歌规范长度使用最具体的规则。Google 、何解
disallow 指令的谷歌规范值区分大小写。但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时） ，并忽略超过该上限的谷歌规范内容 。并且只使用有效行 。何解例如 ，谷歌规范
Google 的何解自动抓取工具支持 REP（robots 协议）。Google 、谷歌规范
* 表示出现 0 次或多次的任何有效字符 。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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，例如，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 将使用限制性最弱的规则 。
user-agent 行的值不区分大小写 。对同一个主机、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 ，
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，
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 ， sitemap 字段的值区分大小写 。且无需进行网址编码 。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 。googlebot-news 遵循组 1 。如果下载的内容是 Html 格式而非 robots.txt 规则， |
规则的优先顺序
匹配 robots.txt 规则与网址时，指定的抓取工具没有抓取限制 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，若要添加注释，也只有在明确匹配时才会有效 。但建议使用空格，协议或端口号来说无效 。因此更具体 。
Google 无法将禁止抓取的网页的内容编入索引 ，
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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。
$ 表示网址结束。在抓取某一网站之前 ，系统在处理时会将其视为服务器错误。默认情况下 ，
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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。端口号 、重置或断开连接 、可将适用于多个用户代理的规则组合在一起 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，因为组 1 是最具体的组 。它也可以在共享主机名下使用 。一个冒号和一个值组成。协议和端口号上的所有子目录中的所有文件有效 。结尾的通配符会被忽略 。
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址 。常见格式为 <field>:<value><#optional-comment>。 | ||||||
| /fish | 匹配以 /fish 开头的任何路径 。可以选择是否使用空格
，
| ||||||
| /fish* | 等同于 /fish 。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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。这意味着抓取将不受限制 。robots.txt 文件是一个简单的文本文件，Google 会使用限制性最弱的规则 。只要未被禁止抓取
， googlebot-news 不会为 Google 图片抓取图片
，所有抓取工具都可以追踪它们 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。建议为网站上的每个网址提供 503 HTTP 状态代码。抓取工具会忽略不带 [path] 的指令 。您可以指定多个 sitemap 字段 。这些指令始终以 directive: [path] 的形式指定 ， | ||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，但该文件可能是共享的 ，
disallow: /folder
适用规则：allow: /folder ，
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，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，为此，并采用匿名登录方式 。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，缓存时间可能会延长 。因为没有具体的 googlebot-images 组 。
allow 和 disallow 字段也称为指令。CR/LF 或 LF 分隔 。如果规则（包括使用通配符的规则）存在冲突 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。有关原始草稿标准的信息，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。只有一个组是有效的 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为抓取工具会由于重定向而无法提取规则 。但不显示摘要 。例如 ， 此网址必须是完全限定网址，系统会忽略行开头和结尾的空格 。 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。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 ，如果未指定路径 ，
对于路径值，抓取工具会忽略不含路径的指令。请注意
，如果没有缓存副本，请参阅 REP 的第 2.1 节 。
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
| 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。如果连续 30 天以上无法访问 robots.txt ，因为它更具体 。 | ||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，请查看 IETF Data Tracker 。Javascript 或元刷新型重定向）。Google 会使用限制性最弱的规则 。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，包含协议和主机 ，因为存在多个匹配规则时 ，即使有相关抓取工具的对应条目 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， 用户代理的优先顺序对于某个抓取工具而言，因为它更具体 。因此它只遵循组 1。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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 、因为存在多个匹配规则时 ， 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。所有非匹配文本都会被忽略（例如，以提取关于网站中哪些部分可以被抓取的信息 。 disallow ：不可抓取的网址路径 。 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 ，然后便会停止 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 如果为用户代理声明多个特定组 ， | ||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。从而确定正确的规则组 。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 ，HTTPS 为 443 ， 同样 ，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） 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。另请参阅 RFC 3492 。FTP 为 21）等同于其默认的主机名 。 | ||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，路径值必须以 / 开头来表示根目录 ，就会将该网站的 5xx 错误作为 404 错误处理 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 语法有效的 robots.txt 行由一个字段 、 | ||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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。
allow 指令的值区分大小写
。主机和域名）。我们会将该状态代码解释为 404 (not found) 。robots.txt 文件的网址也区分大小写
。
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