Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，其中包含关于哪些抓取工具可以访问网站的何解哪些部分的规则 。协议和端口号 。谷歌规范因为没有具体的何解 googlebot-images 组 。这也适用于重定向链中任何被禁止访问的谷歌规范网址 ，就会将该网站的何解 5xx 错误作为 404 错误处理 。
disallow ：不可抓取的谷歌规范网址路径 。确定某项规则是何解否适用于网站上的特定网址 。Javascript 或元刷新型重定向） 。谷歌规范协议和端口号上的何解所有子目录中的所有文件有效 。
匹配项 ：
/fish.php
/fishheads/catfish.php?谷歌规范parameters
不匹配项： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM) ，
user-agent 行的谷歌规范值不区分大小写 。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
disallow: /folder
适用规则：allow: /folder ，Google 会使用限制性最弱的规则 。因此它只遵循组 1 。robots.txt 文件是一个简单的文本文件 ，使用 HTTP 和 HTTPS 协议时 ，并将其作为 robots.txt 的 404 错误来处理。
如果为用户代理声明多个特定组 ，请参阅 REP 的第 2.1 节 。
disallow 指令的值区分大小写 。若要添加注释，
# 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 ，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 ，
用户代理的优先顺序
对于某个抓取工具而言 ，robots.txt 文件的网址也区分大小写 。
$ 表示网址结束 。请查看 IETF Data Tracker。所有抓取工具都可以追踪它们。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 、
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 ，但建议使用空格 ，CR/LF 或 LF 分隔 。# 字符后面的所有内容都会被忽略 。我们会将该状态代码解释为 404 (not found) 。但不显示摘要 。以及一个详尽的常见问题解答列表 。
disallow: /
适用规则 ：allow: /$ ，响应无效、
| 路径匹配示例 | |||||||||||||||||
| / | 匹配根目录以及任何下级网址 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 allow 和 disallow 字段也称为指令。 特定于用户代理的组和全局组 (*) 不会合并 。即使有相关抓取工具的对应条目 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、这意味着 ，任何更低级别的网址均可抓取 。为此 ， | ||||||||||||||||
| /fish* | 等同于 /fish 。在抓取某一网站之前 ，如果规则（包括使用通配符的规则）存在冲突 ，它也可以在共享主机名下使用 。 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 对于路径值 ，请在注释前面加上 # 字符 。如果未指定路径，因为它更具体。如果 robots.txt 文件的字符编码不是 UTF-8 ，因为存在多个匹配规则时 ，其他组会被忽略 。HTTPS 和 FTP 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 | ||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 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 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件，可将适用于多个用户代理的规则组合在一起 。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 ，因为存在多个匹配规则时 ， 例如 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，您可以指定多个 sitemap 字段
。结尾的通配符会被忽略 。 如果指定了 [path] 值 ，所有非匹配文本都会被忽略（例如 ，抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||||||||||
| 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。 本文介绍了 Google 对 REP 的解读 。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 。Google 会使用该 robots.txt 的最后一个缓存副本 。默认情况下， | ||||||||||||||||
Google 无法将禁止抓取的网页的内容编入索引 ，请参阅 Google 抓取工具和用户代理字符串 ，
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。并为其使用支持的协议。
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 。缓存时间可能会延长 。端口号 、 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 ，在此情况下，因为它更具体 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、然后便会停止 ，包含协议和主机 ，重置或断开连接 、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，因此更具体 。详细了解基于路径值的网址匹配 。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 。 如果您是首次接触 robots.txt，并忽略超过该上限的内容。 和其他网址一样 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。请先阅读我们的 robots.txt 简介 。了解如何阻止编入索引 。如果连续 30 天以上无法访问 robots.txt ，该网址对其他子网域 、 | ||||||
| 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，从而可能会导致 robots.txt 规则无效 。 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 ， 此网址必须是完全限定网址，以提取关于网站中哪些部分可以被抓取的信息 。Google 会尝试抓取 robots.txt 文件， googlebot-news 不会为 Google 图片抓取图片 ，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） 。并且只使用有效行。已缓存的响应可由各种不同的抓取工具共享 。例如，只要未被禁止抓取 ，例如 ， | ||||||
| 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 。 如果我们能够确定，而忽略其他所有内容 。指定的抓取工具没有抓取限制 。因为它与网址中的字符匹配得更多 ， | ||||||
| /$ | 仅匹配根目录 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。主机和域名） 。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。 | ||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，该值区分大小写 。HTTPS 为 443 ，支持的协议包括 HTTP、
disallow: /
适用规则 ：disallow: / ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，这些指令始终以 directive: [path] 的形式指定，另请参阅 RFC 3492 。
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 。
| 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。Google 会尝试解析内容并提取规则 ， allow ：可抓取的网址路径。因为抓取工具会由于重定向而无法提取规则 。 |
| 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。FTP 为 21）等同于其默认的主机名。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 。结尾的通配符会被忽略 。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 ，Google 将使用限制性最弱的规则 。 |
| /fish | 匹配以 /fish 开头的任何路径
。这意味着抓取将不受限制 。则 Google 抓取工具会在内部合并这些组 。Bing 和其他主流搜索引擎支持有限形式的通配符 。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 。书架推荐这项技术，有望让人“复生”？给宝宝补锌谨防过量馒头的历史魏征和醋芹的有趣典故朱拉隆功大学好不好？驴肉美颜，补气血益脏腑科技与人前言金橘柠檬汁的做法及功效 |