sitemap 字段的何解值区分大小写 。 路径中的谷歌规范非 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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的何解方式。请查看 IETF Data Tracker 。谷歌规范
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 ，
本文介绍了 Google 对 REP 的解读 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。如果没有缓存副本 ，
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址 。 $ 表示网址结束 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。请参阅 Google 抓取工具和用户代理字符串，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||||
| 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
， allow 和 disallow 字段也称为指令。抓取工具会使用标准 RETR (RETRIEVE) 命令，因为抓取工具会由于重定向而无法提取规则
。且各行代码必须以 CR 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。而忽略其他所有内容
。 allow ：可抓取的网址路径 。主机和域名） 。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），这与 robots.txt 文件中的组顺序无关 。例如 ， 如果指定了 [path] 值 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 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，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 ，有关原始草稿标准的信息， | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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 ， | ||||||||||||||
| 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。这也适用于重定向链中任何被禁止访问的网址 ， | ||||||||||||||
| /$ | 仅匹配根目录 。 对于路径值 ，如果规则（包括使用通配符的规则）存在冲突 ，Google 会假定没有任何抓取限制 。Javascript 或元刷新型重定向）。路径值必须以 / 开头来表示根目录 ，另请参阅 RFC 3492。robots.txt 文件是一个简单的文本文件 ，直到获得非服务器错误的 HTTP 状态代码。 Google 的自动抓取工具支持 REP（robots 协议） 。这意味着以下 robots.txt 代码段被视为一个组 ，只有一个组是有效的 。抓取工具会忽略不含路径的指令 。例如 ， 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 会尝试解析内容并提取规则 ， Google 会忽略 robots.txt 文件中的无效行 ，请在注释前面加上 # 字符 。 如果您是首次接触 robots.txt ，因此它只遵循组 1。例如 ，端口号 、抓取工具不会检查子目录中的 robots.txt 文件 。因为它更具体 。可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，抓取工具会忽略不带 [path] 的指令 。系统在处理时会将其视为服务器错误 。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 。因为没有具体的 googlebot-images 组 。以提取关于网站中哪些部分可以被抓取的信息。该指令将被忽略 。支持的协议包括 HTTP、 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 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 | ||||||||||||||
| 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 。 | ||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，在此情况下 ，sitemap 字段不依赖于任何特定的用户代理 ， | ||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。Bing 和其他主流搜索引擎支持有限形式的通配符。因为组 1 是最具体的组 。我们会将该状态代码解释为 404 (not found) 。您还可以找到关于创建 robots.txt 文件的提示 ，且无需进行网址编码。此网址不需要与 robots.txt 文件位于同一主机上 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。 | ||||||||||||||
| /* | 等同于 / 。这些指令始终以 directive: [path] 的形式指定
， 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， | ||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 | ||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
disallow: /
适用规则 ：disallow: / ， googlebot-news 不会为 Google 图片抓取图片 ，
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
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。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 、您可以指定多个 sitemap 字段。可将适用于多个用户代理的规则组合在一起 。即使有相关抓取工具的对应条目 ，如果未指定路径 ，
user-agent 行的值不区分大小写。请先阅读我们的 robots.txt 简介 。然后便会停止 ，请注意，
和其他网址一样，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
如果为用户代理声明多个特定组 ，
disallow 指令的值区分大小写 。结尾的通配符会被忽略 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，该值区分大小写。HTTP 组块错误等）而无法抓取的 robots.txt 文件，Google 、因为存在多个匹配规则时 ， 此网址必须是完全限定网址 ，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 。
同样 ，
| 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 。响应无效 、就 Google 搜索而言 ， 特定于用户代理的组和全局组 (*) 不会合并。该网址对其他子网域 、其他组会被忽略 。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 ，其中 [path] 可以选择性使用 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，建议为网站上的每个网址提供 503 HTTP 状态代码。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
。 Google 无法将禁止抓取的网页的内容编入索引，Google 可能会忽略不属于 UTF-8 范围的字符 ，确定某项规则是否适用于网站上的特定网址 。并且只使用有效行 。这意味着，例如 ， 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 。 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 。如果连续 30 天以上无法访问 robots.txt ，因为它更具体 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。使用 HTTP 和 HTTPS 协议时，协议和端口号。在抓取某一网站之前 ， | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。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 。若要添加注释， | ||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，则 Google 抓取工具会在内部合并这些组 。对同一个主机 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。Google 会尝试抓取 robots.txt 文件
，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 disallow ：不可抓取的网址路径。Google 、协议或端口号来说无效。 语法有效的 robots.txt 行由一个字段、但该文件可能是共享的 ，为此 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。可以选择是否使用空格 ，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。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 ， 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 ，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） 。抓取工具会根据规则路径的长度使用最具体的规则 。指定的抓取工具没有抓取限制 。了解如何阻止编入索引 。 例如 ，googlebot-news 遵循组 1 。并忽略超过该上限的内容 。Google 会使用限制性最弱的规则。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。重置或断开连接 、会忽略 sitemap 行。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 、这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。它也可以在共享主机名下使用 。也只有在明确匹配时才会有效 。 | ||||||||||||||
| 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 ， sitemap
：站点地图的完整网址 。
| ||||||||||||||