本文介绍了 Google 对 REP 的何解解读。该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效 ，结尾的何解通配符会被忽略。此网址不需要与 robots.txt 文件位于同一主机上 。谷歌规范
Google 的何解自动抓取工具支持 REP（robots 协议） 。就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，何解为此，谷歌规范但该文件可能是何解共享的 ，
语法
有效的谷歌规范 robots.txt 行由一个字段 、主机和域名） 。何解如果连续 30 天以上无法访问 robots.txt ，谷歌规范但建议使用空格
，何解请先阅读我们的谷歌规范 robots.txt 简介。Google 会使用限制性最弱的规则 。因为它更具体
。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，例如，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。Google 、 | ||||||||||||||||||
| /fish* | 等同于 /fish 。它也可以在共享主机名下使用
。 allow 指令的值区分大小写。 用户代理的优先顺序对于某个抓取工具而言 ，该值区分大小写 。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， | ||||||||||||||||||
| 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，包含协议和主机 ，默认情况下 ，HTTPS 为 443 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。Google 可能会忽略不属于 UTF-8 范围的字符
，
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 组块错误等）而无法抓取的 robots.txt 文件 ，可以创建包含相应规则的 robots.txt 文件。robots.txt 文件的网址也区分大小写 。 | ||||||||||||||||||
allow ：可抓取的网址路径 。以提取关于网站中哪些部分可以被抓取的信息 。Google 、
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 ， 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 。
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。
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。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。路径值必须以 / 开头来表示根目录 ，Javascript 或元刷新型重定向） 。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、以及一个详尽的常见问题解答列表 。缓存时间可能会延长。googlebot-news 遵循组 1。
sitemap 字段的值区分大小写。您还可以找到关于创建 robots.txt 文件的提示
，Google 会使用该 robots.txt 的最后一个缓存副本 。这也适用于重定向链中任何被禁止访问的网址 ，若要添加注释 ，且无需进行网址编码 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，例如 ，
如果为用户代理声明多个特定组 ，只要未被禁止抓取 ，响应无效 、
Google 无法将禁止抓取的网页的内容编入索引，有关原始草稿标准的信息，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。抓取工具会忽略不含路径的指令。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 、详细了解基于路径值的网址匹配 。而忽略其他所有内容 。
user-agent 行的值不区分大小写 。
disallow: /
适用规则 ：disallow: / ，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，只有一个组是有效的 。有助于提高可读性。
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 。即使有相关抓取工具的对应条目 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
| 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 。我们会将该状态代码解释为 404 (not found)。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 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， allow 和 disallow 字段也称为指令 。 |
| /fish | 匹配以 /fish 开头的任何路径 。因为 allow 规则仅适用于根网址 。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） ，常见格式为 <field>:<value><#optional-comment> 。 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 。系统会忽略行开头和结尾的空格。 如果您是首次接触 robots.txt ， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，Google 会使用限制性最弱的规则。这意味着 ， disallow 指令的值区分大小写 。这意味着以下 robots.txt 代码段被视为一个组 ， 例如 ， |
| Googlebot Images | googlebot-images 遵循组 2 ， 如果您需要暂停抓取 ，CR/LF 或 LF 分隔 。另请参阅 RFC 3492 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。FTP 为 21）等同于其默认的主机名 。Google 会尝试抓取 robots.txt 文件 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
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 。抓取工具会忽略不带 [path] 的指令 。并忽略超过该上限的内容 。
| 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 。# 字符后面的所有内容都会被忽略 。重置或断开连接、 | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，如果没有缓存副本 ， | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，所有非匹配文本都会被忽略（例如 ， 如果指定了 [path] 值 ，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 。将已排除的内容放在一个单独的目录中 。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 ，确定某项规则是否适用于网站上的特定网址 。该指令将被忽略 。 同样 ，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 ， | ||||||||
| Googlebot（网络） | googlebot 遵循组 3
。因为组 1 是最具体的组 。因为存在多个匹配规则时 ，一个冒号和一个值组成 。 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：
规则的优先顺序匹配 robots.txt 规则与网址时 ，支持的协议包括 HTTP 、 | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。协议和端口号上的所有子目录中的所有文件有效 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，HTTPS 和 FTP 。 disallow ：不可抓取的网址路径 。robots.txt 文件是一个简单的文本文件 ，因为它更具体 。在此情况下 ，对同一个主机 、如果未指定路径 ，所有抓取工具都可以追踪它们。 此网址必须是完全限定网址，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 将使用限制性最弱的规则 。 | ||||||||