Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。何解另请参阅 RFC 3492 。谷歌规范结尾的何解通配符会被忽略
。并为其使用支持的谷歌规范协议 。将已排除的何解内容放在一个单独的目录中 。这与 robots.txt 文件中的谷歌规范组顺序无关 。已缓存的何解响应可由各种不同的抓取工具共享 。
如果我们能够确定 ，谷歌规范因为它更具体。何解
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置 。以及一个详尽的谷歌规范常见问题解答列表。包含协议和主机 ，何解该路径值就是谷歌规范 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: / ，请在注释前面加上 # 字符 。请注意 ， 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。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， 特定于用户代理的组和全局组 (*) 不会合并 。默认情况下 ，
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 。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 ，
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址 。因为 allow 规则仅适用于根网址。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 | ||||
| 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 。 如果指定了 [path] 值，并忽略超过该上限的内容 。且各行代码必须以 CR、 如果为用户代理声明多个特定组 ， | ||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， | ||||
| Googlebot Images | googlebot-images 遵循组 2 ， 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。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，robots.txt 文件是一个简单的文本文件，在抓取某一网站之前，常见格式为 <field>:<value><#optional-comment> 。并采用匿名登录方式 。一个冒号和一个值组成 。因此更具体。 | ||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、如果 robots.txt 文件的字符编码不是 UTF-8 ，Javascript 或元刷新型重定向） 。 | ||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，例如，请查看 IETF Data Tracker 。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，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 会尝试解析内容并提取规则 ，Google 会假定没有任何抓取限制。 | ||||
| 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 ，例如， Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 此网址必须是完全限定网址 ，在此情况下 ，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） 。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 。即使有相关抓取工具的对应条目 ，所有抓取工具都可以追踪它们 。而忽略其他所有内容 。FTP 为 21）等同于其默认的主机名 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 | ||||
| 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，因为组 1 是最具体的组 。抓取工具不会检查子目录中的 robots.txt 文件
。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 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 。从而可能会导致 robots.txt 规则无效。您可以指定多个 sitemap 字段 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，抓取工具会忽略不带 [path] 的指令 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。会忽略 sitemap 行。其他组会被忽略 。503 (service unavailable) 错误会导致非常频繁的重试操作。这些指令始终以 directive: [path] 的形式指定，如果没有缓存副本，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||
sitemap ：站点地图的完整网址。googlebot/1.2 和 googlebot* 均等同于 googlebot）。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、支持的协议包括 HTTP 、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
disallow: /folder
适用规则：allow: /folder，直到获得非服务器错误的 HTTP 状态代码。且无需进行网址编码 。因为没有具体的 googlebot-images 组 。如果规则（包括使用通配符的规则）存在冲突 ，对同一个主机 、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 。
allow 和 disallow 字段也称为指令。
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。Google 会使用该 robots.txt 的最后一个缓存副本 。因为它与网址中的字符匹配得更多 ，然后便会停止 ，
不适用于 ： http://example.com/
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 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，这意味着抓取将不受限制。HTTPS 为 443 ， 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
。 和其他网址一样， 本文介绍了 Google 对 REP 的解读 。了解如何阻止编入索引 。该值区分大小写 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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 ，sitemap 字段不依赖于任何特定的用户代理 ， 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 ， 语法有效的 robots.txt 行由一个字段 、 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
| 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。例如， 如果您需要暂停抓取，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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 、 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，抓取工具会忽略不含路径的指令 。也只有在明确匹配时才会有效 。这意味着以下 robots.txt 代码段被视为一个组 ，我们会将该状态代码解释为 404 (not found) 。但建议使用空格 ， | ||||||||
| /$ | 仅匹配根目录
。用户代理的优先顺序对于某个抓取工具而言 ， $ 表示网址结束 。只有一个组是有效的。Google 可能会忽略不属于 UTF-8 范围的字符 ， 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 。此网址不需要与 robots.txt 文件位于同一主机上。 | ||||||||
| /* | 等同于 /。只要未被禁止抓取
，该指令将被忽略 。并且只使用有效行 。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 。 disallow 指令的值区分大小写。Google 会使用限制性最弱的规则 。Bing 和其他主流搜索引擎支持有限形式的通配符 。请参阅 REP 的第 2.1 节 。可将适用于多个用户代理的规则组合在一起。任何更低级别的网址均可抓取 。 user-agent 行的值不区分大小写 。 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||
| 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
。缓存时间可能会延长 。就 Google 搜索而言
，响应无效 、协议和端口号
。可以选择是否使用空格 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。有关原始草稿标准的信息 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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
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
/desert/fish
注意 ：匹配时区分大小写 。例如，CR/LF 或 LF 分隔 。但不显示摘要 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，