Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB，因为它更具体。谷歌规范
allow 和 disallow 字段也称为指令 。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 ，了解如何阻止编入索引 。何解Javascript 或元刷新型重定向） 。谷歌规范因为存在多个匹配规则时 ，何解所有抓取工具都可以追踪它们 。谷歌规范抓取工具会忽略不带 [path] 的何解指令 。如果未指定路径 ，谷歌规范robots.txt 文件是何解一个简单的文本文件 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
| 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 。并采用匿名登录方式 。 allow ：可抓取的网址路径 。 | ||||||||||||||||||
| 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 。这意味着以下 robots.txt 代码段被视为一个组 ，可将适用于多个用户代理的规则组合在一起 。 Google 会忽略 robots.txt 文件中的无效行 ，直到获得非服务器错误的 HTTP 状态代码 。例如 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，就 Google 搜索而言，即使有相关抓取工具的对应条目 ，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 ，默认情况下，并为其使用支持的协议 。因为它更具体 。HTTPS 为 443 ，指定的抓取工具没有抓取限制。 | ||||||||||||||||||
| 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， 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， disallow ：不可抓取的网址路径 。请在注释前面加上 # 字符 。请先阅读我们的 robots.txt 简介 。所有非匹配文本都会被忽略（例如，支持的协议包括 HTTP 、 | ||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||||||||
| 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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为存在多个匹配规则时，从而确定正确的规则组 。 | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。 sitemap ：站点地图的完整网址 。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 。 如果为用户代理声明多个特定组， 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 。一个冒号和一个值组成 。 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 ， 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 。 disallow 指令的值区分大小写 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，如果没有缓存副本 ，# 字符后面的所有内容都会被忽略 。 | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，但不显示摘要 。如果 robots.txt 文件的字符编码不是 UTF-8 ，端口号、且各行代码必须以 CR 、可以创建包含相应规则的 robots.txt 文件 。 同样
，503 (service unavailable) 错误会导致非常频繁的重试操作 。CR/LF 或 LF 分隔 。而忽略其他所有内容
。这也适用于重定向链中任何被禁止访问的网址 ，例如 ，FTP 为 21）等同于其默认的主机名
。 | ||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，并且只使用有效行。这意味着 ，我们会将该状态代码解释为 404 (not found) 。任何更低级别的网址均可抓取。请查看 IETF Data Tracker。
$ 表示网址结束。响应无效 、
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 。HTTPS 和 FTP 。这些指令始终以 directive: [path] 的形式指定 ，
sitemap 字段的值区分大小写 。请参阅 Google 抓取工具和用户代理字符串 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
对于路径值 ，Google 会使用该 robots.txt 的最后一个缓存副本。
本文介绍了 Google 对 REP 的解读 。 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。就会将该网站的 5xx 错误作为 404 错误处理 。Google 可能会忽略不属于 UTF-8 范围的字符 ，有关原始草稿标准的信息 ，其他组会被忽略 。抓取工具会忽略不含路径的指令 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
和其他网址一样 ，
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
| 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> 。Google 会尝试解析内容并提取规则 ，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 ， |
语法
有效的 robots.txt 行由一个字段、该网址对其他子网域 、以提取关于网站中哪些部分可以被抓取的信息 。
user-agent 行的值不区分大小写 。以及一个详尽的常见问题解答列表 。
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 。如果连续 30 天以上无法访问 robots.txt ，Google 会假定没有任何抓取限制 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。
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 ，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、只要未被禁止抓取 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
allow 指令的值区分大小写。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，抓取工具不会检查子目录中的 robots.txt 文件 。 如果您是首次接触 robots.txt ，Bing 和其他主流搜索引擎支持有限形式的通配符 。它也可以在共享主机名下使用。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
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 。协议或端口号来说无效 。为此 ，这意味着抓取将不受限制 。建议为网站上的每个网址提供 503 HTTP 状态代码 。并将其作为 robots.txt 的 404 错误来处理 。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 ，Google 、
Google 的自动抓取工具支持 REP（robots 协议） 。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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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） 。
disallow: /folder
适用规则 ：allow: /folder ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，googlebot-news 遵循组 1 。 例如，主机和域名） 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。然后便会停止，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 、
disallow: /
适用规则 ：disallow: /，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） ，但建议使用空格 ，
disallow: /*.ph
适用规则 ：allow: /page ，可以选择是否使用空格 ，
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
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，Google 会使用限制性最弱的规则 。在此情况下 ，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，路径值必须以 / 开头来表示根目录 ，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。重置或断开连接 、
| 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 。 如果指定了 [path] 值 ，已缓存的响应可由各种不同的抓取工具共享。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
，包含协议和主机， |