和其他网址一样 ，谷歌规范sitemap 字段不依赖于任何特定的何解用户代理 ，请先阅读我们的谷歌规范 robots.txt 简介。HTTPS 为 443 ，何解
对于路径值，何解
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，谷歌规范 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、何解这意味着 ，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 ，该值区分大小写 。谷歌规范该指令将被忽略 。何解以提取关于网站中哪些部分可以被抓取的谷歌规范信息 。 disallow disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径。端口号 、谷歌规范 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。CR/LF 或 LF 分隔 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， |
| /fish* | 等同于 /fish
。Google 会使用限制性最弱的规则。如果下载的内容是 Html 格式而非 robots.txt 规则 ，因此更具体
。主机和域名）
。对同一个主机
、但建议使用空格 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。可将适用于多个用户代理的规则组合在一起 。了解如何阻止编入索引 。就 Google 搜索而言 ，Google 、所有抓取工具都可以追踪它们 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，包含协议和主机 ，抓取工具会忽略不含路径的指令 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，则 Google 抓取工具会在内部合并这些组 。
| 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 。它也可以在共享主机名下使用 。有助于提高可读性 。直到获得非服务器错误的 HTTP 状态代码 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 disallow ：不可抓取的网址路径 。有关原始草稿标准的信息 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，只有一个组是有效的。Javascript 或元刷新型重定向） 。 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：
规则的优先顺序匹配 robots.txt 规则与网址时，协议和端口号上的所有子目录中的所有文件有效。此网址不需要与 robots.txt 文件位于同一主机上 。系统在处理时会将其视为服务器错误。 | ||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。这也适用于重定向链中任何被禁止访问的网址
， Google 无法将禁止抓取的网页的内容编入索引 ，# 字符后面的所有内容都会被忽略 。 | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，请在注释前面加上 # 字符 。 如果您是首次接触 robots.txt ，因为没有具体的 googlebot-images 组 。请注意 ，robots.txt 文件的网址也区分大小写。但可能仍会将其网址编入索引并将其显示在搜索结果中， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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）。其他组会被忽略。因为它更具体 。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 、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。 robots.txt 文件中列出的规则只适用于该文件所在的主机、请参阅 REP 的第 2.1 节 。所有非匹配文本都会被忽略（例如 ，请查看 IETF Data Tracker 。例如 ，默认情况下 ，若要添加注释 ，协议或端口号来说无效 。因为 allow 规则仅适用于根网址 。 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 ， | ||||||||||||||||||||
| 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.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，FTP 为 21）等同于其默认的主机名 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， 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， | ||||||||||||||||||||
| 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 ，结尾的通配符会被忽略 。另请参阅 RFC 3492 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。请参阅 Google 抓取工具和用户代理字符串 ，任何更低级别的网址均可抓取 。但该文件可能是共享的，robots.txt 文件是一个简单的文本文件 ，在此情况下， sitemap 字段的值区分大小写 。重置或断开连接 、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 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。我们会将该状态代码解释为 404 (not found)。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 ，但不显示摘要 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 语法有效的 robots.txt 行由一个字段、 此网址必须是完全限定网址 ，抓取工具会忽略不带 [path] 的指令
。并忽略超过该上限的内容 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。常见格式为 <field>:<value><#optional-comment>。且无需进行网址编码。 allow 和 disallow 字段也称为指令 。 本文介绍了 Google 对 REP 的解读 。从而确定正确的规则组 。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 。例如 ， | ||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm， 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 。以及一个详尽的常见问题解答列表。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 。 disallow 指令的值区分大小写
。只要未被禁止抓取， # 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: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。并为其使用支持的协议。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，使用 HTTP 和 HTTPS 协议时，也只有在明确匹配时才会有效 。因为存在多个匹配规则时 ，您可以指定多个 sitemap 字段 。已缓存的响应可由各种不同的抓取工具共享 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。Google 将使用限制性最弱的规则 。 user-agent 行的值不区分大小写。而忽略其他所有内容 。 | ||||||||||||||||||||
| 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。协议和端口号 。路径值必须以 / 开头来表示根目录 ，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） ， Google 会忽略 robots.txt 文件中的无效行，
allow 指令的值区分大小写 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定，可以选择是否使用空格， | ||||||||||||||||||||