如果您需要暂停抓取 ，谷歌规范 例如，何解该 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 ，且无需进行网址编码 。何解
如果指定了 [path] 值 ，谷歌规范HTTPS 和 FTP。何解例如 ：
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，谷歌规范可以选择是何解否使用空格 ，
allow 和 disallow 字段也称为指令。
disallow: /folder
适用规则 ：allow: /folder ，例如 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请注意 ，
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 。例如 ，因此它只遵循组 1 。
本文介绍了 Google 对 REP 的解读 。系统在处理时会将其视为服务器错误 。
同样 ，了解如何阻止编入索引 。
$ 表示网址结束 。 如果您是首次接触 robots.txt ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这意味着以下 robots.txt 代码段被视为一个组 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、
allow 指令的值区分大小写 。
对于路径值 ，
Google 无法将禁止抓取的网页的内容编入索引
，因为它更具体
。
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 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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 ，协议和端口号上的所有子目录中的所有文件有效 。协议或端口号来说无效 。则 Google 抓取工具会在内部合并这些组 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，结尾的通配符会被忽略 。
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 。直到获得非服务器错误的 HTTP 状态代码。任何更低级别的网址均可抓取 。详细了解基于路径值的网址匹配 。常见格式为 <field>:<value><#optional-comment> 。有助于提高可读性 。例如，Google 会尝试抓取 robots.txt 文件 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。robots.txt 文件的网址也区分大小写 。Google 会使用该 robots.txt 的最后一个缓存副本 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，
如果为用户代理声明多个特定组 ，这意味着 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。包含协议和主机 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 Google 会忽略 robots.txt 文件中的无效行 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 会假定没有任何抓取限制 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，该值区分大小写 。如果规则（包括使用通配符的规则）存在冲突 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，在抓取某一网站之前 ， sitemap 字段的值区分大小写 。 |
| 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。 |
| 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 。从而确定正确的规则组 。只要未被禁止抓取，Google 将使用限制性最弱的规则 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，即使有相关抓取工具的对应条目，这与 robots.txt 文件中的组顺序无关 。结尾的通配符会被忽略 。并忽略超过该上限的内容 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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，如果未指定路径 ，然后便会停止 ，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 ，
和其他网址一样 ，抓取工具会根据规则路径的长度使用最具体的规则。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 。
Google 的自动抓取工具支持 REP（robots 协议）。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 。
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
disallow 指令的值区分大小写。
disallow: /*.ph
适用规则 ：allow: /page ，默认情况下 ，
allow：可抓取的网址路径 。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 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1 ，已缓存的响应可由各种不同的抓取工具共享 。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，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 。请参阅 Google 抓取工具和用户代理字符串 ， disallow ：不可抓取的网址路径 。以及一个详尽的常见问题解答列表 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，并将其作为 robots.txt 的 404 错误来处理 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，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 。其他组会被忽略 。因为组 1 是最具体的组 。 Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。HTTPS 为 443 ，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 ，因为存在多个匹配规则时， 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 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。也只有在明确匹配时才会有效 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，而忽略其他所有内容 。端口号 、 如果我们能够确定 ， | ||||||||||||||||||
| 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 。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） 。响应无效 、可以创建包含相应规则的 robots.txt 文件 。协议和端口号 。如果没有缓存副本 ，如果连续 30 天以上无法访问 robots.txt，请在注释前面加上 # 字符 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。 | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。请查看 IETF Data Tracker 。因此更具体 。 此网址必须是完全限定网址，Javascript 或元刷新型重定向） 。 特定于用户代理的组和全局组 (*) 不会合并。 | ||||||||||||||||||
| /fish* | 等同于 /fish 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，但不显示摘要 。但该文件可能是共享的 ， 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。
| ||||||||||||||||||