Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB ，会忽略 sitemap 行 。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 。其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符， 例如，何解 |
| 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谷歌规范 robots.txt 文件 ，协议和端口号 。何解该指令将被忽略 。谷歌规范并将其作为 robots.txt 的何解 404 错误来处理 。有助于提高可读性 。谷歌规范 |
| 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 。Google 会使用限制性最弱的规则 。建议为网站上的每个网址提供 503 HTTP 状态代码 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，常见格式为 <field>:<value><#optional-comment> 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，抓取工具会根据规则路径的长度使用最具体的规则 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，确定某项规则是否适用于网站上的特定网址 。抓取工具会忽略不含路径的指令 。robots.txt 文件是一个简单的文本文件 ，CR/LF 或 LF 分隔。因为存在多个匹配规则时 ，就会将该网站的 5xx 错误作为 404 错误处理 。结尾的通配符会被忽略。请注意 ，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 ，而忽略其他所有内容。
sitemap ：站点地图的完整网址 。
对于路径值 ，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 。
allow 指令的值区分大小写。因为 allow 规则仅适用于根网址 。响应无效 、如果未指定路径 ，即使有相关抓取工具的对应条目 ，因此它只遵循组 1 。但该文件可能是共享的 ，也只有在明确匹配时才会有效 。Google 会使用限制性最弱的规则。这意味着以下 robots.txt 代码段被视为一个组 ，
$ 表示网址结束 。
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 ，从而可能会导致 robots.txt 规则无效
。所有非匹配文本都会被忽略（例如 ，Google 将使用限制性最弱的规则
。且各行代码必须以 CR 、googlebot-news 遵循组 1 。请参阅 Google 抓取工具和用户代理字符串
，Google 、已缓存的响应可由各种不同的抓取工具共享 。它也可以在共享主机名下使用 。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 ，因为它与网址中的字符匹配得更多 ，如果规则（包括使用通配符的规则）存在冲突 ，以提取关于网站中哪些部分可以被抓取的信息 。 Google 无法将禁止抓取的网页的内容编入索引 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时， Google 会忽略 robots.txt 文件中的无效行 ，请查看 IETF Data Tracker 。协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 特定于用户代理的组和全局组 (*) 不会合并 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。详细了解基于路径值的网址匹配 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。 本文介绍了 Google 对 REP 的解读 。 如果您是首次接触 robots.txt ， 和其他网址一样 ， 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 。HTTPS 为 443 ，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 ， | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。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） 。 | ||||||||||||||||||
| /fish* | 等同于 /fish 。 googlebot-news 不会为 Google 图片抓取图片 ，用户代理的优先顺序对于某个抓取工具而言 ，503 (service unavailable) 错误会导致非常频繁的重试操作
。Google 会假定没有任何抓取限制 。 | ||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。Google 会尝试解析内容并提取规则
， 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 。因为抓取工具会由于重定向而无法提取规则 。协议或端口号来说无效 。 | ||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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 。抓取工具会忽略不带 [path] 的指令
。任何更低级别的网址均可抓取 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、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，并忽略超过该上限的内容。 allow 和 disallow 字段也称为指令 。例如 ， disallow
：不可抓取的网址路径
。 | ||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。该值区分大小写 。 | ||||||||||||||||||
如果指定了 [path] 值，对同一个主机 、Javascript 或元刷新型重定向）。
disallow: /
适用规则 ：allow: /$ ，这意味着抓取将不受限制 。
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，
disallow: /*.htm
适用规则 ：disallow: /*.htm，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） ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
同样，HTTPS 和 FTP。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、然后便会停止
，且无需进行网址编码 。这意味着，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 、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，默认情况下 ，系统在处理时会将其视为服务器错误 。
sitemap 字段的值区分大小写 。因为它更具体 。一个冒号和一个值组成。
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。
语法
有效的 robots.txt 行由一个字段 、您可以指定多个 sitemap 字段 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。在此情况下，
user-agent 行的值不区分大小写 。若要添加注释 ，因为组 1 是最具体的组 。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 、请参阅 REP 的第 2.1 节 。但可能仍会将其网址编入索引并将其显示在搜索结果中，端口号、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。只有一个组是有效的 。支持的协议包括 HTTP 、重置或断开连接 、
Google 的自动抓取工具支持 REP（robots 协议） 。可将适用于多个用户代理的规则组合在一起 。路径值必须以 / 开头来表示根目录 ，请在注释前面加上 # 字符 。这也适用于重定向链中任何被禁止访问的网址 ，
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 ，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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。在抓取某一网站之前，为此 ，就 Google 搜索而言 ，
allow ：可抓取的网址路径 。将已排除的内容放在一个单独的目录中。缓存时间可能会延长
。Google 会使用该 robots.txt 的最后一个缓存副本 。例如
，这与 robots.txt 文件中的组顺序无关
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。主机和域名） 。
| 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 。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 。 |
| /fish | 匹配以 /fish 开头的任何路径 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，sitemap 字段不依赖于任何特定的用户代理， |
| 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。抓取工具不会检查子目录中的 robots.txt 文件 。了解如何阻止编入索引 。 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 ，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 ，但建议使用空格 ，所有抓取工具都可以追踪它们 。因为没有具体的 googlebot-images 组 。robots.txt 文件的网址也区分大小写。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 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。例如 ，只要未被禁止抓取，直到获得非服务器错误的 HTTP 状态代码 。FTP 为 21）等同于其默认的主机名 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。并且只使用有效行 。# 字符后面的所有内容都会被忽略 。如果 robots.txt 文件的字符编码不是 UTF-8 ， disallow 指令的值区分大小写 。Google 会尝试抓取 robots.txt 文件，这些指令始终以 directive: [path] 的形式指定， |
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80， 如果我们能够确定 ，结尾的通配符会被忽略 。 如果您需要暂停抓取， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。此网址不需要与 robots.txt 文件位于同一主机上
。 |