Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB
，
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
本文介绍了 Google 对 REP 的何解解读。
| 示例情况 | |||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范如果下载的何解内容是 Html 格式而非 robots.txt 规则，robots.txt 文件是谷歌规范一个简单的文本文件 ， | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，何解将已排除的谷歌规范内容放在一个单独的目录中 。 | ||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的何解 robots.txt 请求提供明确响应，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， 同样 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 例如 ，协议或端口号来说无效 。 | ||||||||||||||||||||
| /fish* | 等同于 /fish 。 | ||||||||||||||||||||
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 ，有助于提高可读性。
disallow: /*.ph
适用规则：allow: /page，但不显示摘要 。
sitemap
：站点地图的完整网址
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。响应无效 、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
user-agent 行的值不区分大小写。请注意 ，该网址对其他子网域 、
Google 会忽略 robots.txt 文件中的无效行 ，Google 会尝试抓取 robots.txt 文件 ，只有一个组是有效的 。 如果您是首次接触 robots.txt，并将其作为 robots.txt 的 404 错误来处理 。系统会忽略行开头和结尾的空格 。抓取工具不会检查子目录中的 robots.txt 文件 。协议和端口号 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
| 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 。 | ||||||
| Googlebot（网络） | googlebot 遵循组 3 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||
| 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 ，因为存在多个匹配规则时 ，请先阅读我们的 robots.txt 简介
。如果 robots.txt 文件的字符编码不是 UTF-8 ，Javascript 或元刷新型重定向） 。 Google 的自动抓取工具支持 REP（robots 协议） 。另请参阅 RFC 3492 。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 ，而忽略其他所有内容 。我们会将该状态代码解释为 404 (not found)。Google 将使用限制性最弱的规则 。这与 robots.txt 文件中的组顺序无关 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。然后便会停止 ，如果未指定路径，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 ，就 Google 搜索而言 ，因为组 1 是最具体的组 。Google 会尝试解析内容并提取规则 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||
| /* | 等同于 / 。为此，直到获得非服务器错误的 HTTP 状态代码 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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
、结尾的通配符会被忽略 。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，以提取关于网站中哪些部分可以被抓取的信息
。确定某项规则是否适用于网站上的特定网址 。这意味着抓取将不受限制 。如果连续 30 天以上无法访问 robots.txt ，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 ，CR/LF 或 LF 分隔 。且各行代码必须以 CR 、 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 ，只要未被禁止抓取 ，该值区分大小写。 | ||||||
| Googlebot News（抓取图片时） | 抓取图片时
， allow 和 disallow 字段也称为指令 。 allow：可抓取的网址路径 。 googlebot-news 不会为 Google 图片抓取图片 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因为没有具体的 googlebot-images 组 。会忽略 sitemap 行 。因为抓取工具会由于重定向而无法提取规则。支持的协议包括 HTTP 、 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，所有非匹配文本都会被忽略（例如 ，默认情况下
， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 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 。 | ||||||
| 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 。 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 | ||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。抓取工具会忽略不带 [path] 的指令 。 | ||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 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 ，其中 [path] 可以选择性使用 。 如果指定了 [path] 值 ，在抓取某一网站之前 ， | ||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
disallow ：不可抓取的网址路径 。例如 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。指定的抓取工具没有抓取限制 。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）。 对于路径值 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。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 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。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。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。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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 。
和其他网址一样，包含协议和主机，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，以及一个详尽的常见问题解答列表 。这也适用于重定向链中任何被禁止访问的网址 ，可以选择是否使用空格，例如 ，因为它与网址中的字符匹配得更多
，有关原始草稿标准的信息
，它也可以在共享主机名下使用 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
， 此网址必须是完全限定网址 ，
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
allow 指令的值区分大小写 。
如果您需要暂停抓取 ，例如 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Google 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，503 (service unavailable) 错误会导致非常频繁的重试操作。因为它更具体。
用户代理的优先顺序
对于某个抓取工具而言 ，FTP 为 21）等同于其默认的主机名 。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 。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 ，若要添加注释 ，请参阅 REP 的第 2.1 节 。Google 会假定没有任何抓取限制 。这意味着以下 robots.txt 代码段被视为一个组 ，
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
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。HTTPS 为 443 ，如果规则（包括使用通配符的规则）存在冲突 ，协议和端口号上的所有子目录中的所有文件有效 。