Google 无法将禁止抓取的何解网页的内容编入索引 ，
匹配项
：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范Google 会使用限制性最弱的何解规则 。我们会将该状态代码解释为 404 (not found) 。谷歌规范因为没有具体的何解 googlebot-images 组 。
用户代理的谷歌规范优先顺序
对于某个抓取工具而言
，重置或断开连接 、何解sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，在抓取某一网站之前 ，从而可能会导致 robots.txt 规则无效 。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 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。则 Google 抓取工具会在内部合并这些组 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、包含协议和主机 ， 此网址必须是完全限定网址 ，常见格式为 <field>:<value><#optional-comment> 。这与 robots.txt 文件中的组顺序无关 。抓取工具会根据规则路径的长度使用最具体的规则 。因为存在多个匹配规则时 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
sitemap 字段的值区分大小写。这些指令始终以 directive: [path] 的形式指定 ，
disallow: /*.ph
适用规则 ：allow: /page ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
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 。但不显示摘要 。它也可以在共享主机名下使用 。
disallow ：不可抓取的网址路径 。并且只使用有效行。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。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 ，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 、可将适用于多个用户代理的规则组合在一起 。
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，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
本文介绍了 Google 对 REP 的解读 。结尾的通配符会被忽略 。请先阅读我们的 robots.txt 简介 。
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 。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 。Google 会假定没有任何抓取限制 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
| 路径匹配示例 | |||||||||||||||||
| / | 匹配根目录以及任何下级网址
。这意味着抓取将不受限制。系统在处理时会将其视为服务器错误
。路径值必须以 / 开头来表示根目录 ， 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 ， | ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，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 。其中 [path] 可以选择性使用 。就 Google 搜索而言 ， 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 ，因为存在多个匹配规则时 ，已缓存的响应可由各种不同的抓取工具共享 。 | ||||||||||||||||
| 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 ，您可以指定多个 sitemap 字段 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 | ||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，并忽略超过该上限的内容。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，以提取关于网站中哪些部分可以被抓取的信息 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，Google 会尝试解析内容并提取规则 ，
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 。但建议使用空格 ，协议或端口号来说无效 。HTTPS 和 FTP。端口号 、协议和端口号 。
和其他网址一样 ，抓取工具不会检查子目录中的 robots.txt 文件 。有助于提高可读性 。
allow 和 disallow 字段也称为指令。请参阅 Google 抓取工具和用户代理字符串 ，
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 。Google 将使用限制性最弱的规则 。抓取工具会忽略不含路径的指令 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 ，支持的协议包括 HTTP 、此网址不需要与 robots.txt 文件位于同一主机上。
disallow: /folder
适用规则 ：allow: /folder，
Google 的自动抓取工具支持 REP（robots 协议） 。以及一个详尽的常见问题解答列表 。
allow 指令的值区分大小写 。请参阅 REP 的第 2.1 节 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
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 。因为它更具体。因此更具体 。如果连续 30 天以上无法访问 robots.txt ，
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 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，您还可以找到关于创建 robots.txt 文件的提示 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。指定的抓取工具没有抓取限制 。会忽略 sitemap 行 。该网址对其他子网域 、
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
user-agent 行的值不区分大小写。
| 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
。直到获得非服务器错误的 HTTP 状态代码 。 googlebot-news 不会为 Google 图片抓取图片
，其他组会被忽略
。 allow ：可抓取的网址路径 。 语法有效的 robots.txt 行由一个字段 、robots.txt 文件的网址也区分大小写 。 | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 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 。详细了解基于路径值的网址匹配
。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
，例如，这意味着 ，结尾的通配符会被忽略 。然后便会停止，也只有在明确匹配时才会有效。 特定于用户代理的组和全局组 (*) 不会合并
。 disallow 指令的值区分大小写
。确定某项规则是否适用于网站上的特定网址。而忽略其他所有内容。 如果为用户代理声明多个特定组 ，如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，有关原始草稿标准的信息，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 ， | ||||||||
| /* | 等同于 / 。只要未被禁止抓取， 对于路径值 ，例如，
| ||||||||