如果您需要暂停抓取 ，何解
如果为用户代理声明多个特定组 ，谷歌规范
disallow: /folder
适用规则 ：allow: /folder，何解
Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置。
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的谷歌规范路径 。Google 将使用限制性最弱的何解规则 。并采用匿名登录方式
。谷歌规范
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。何解
如果指定了 [path] 值 ，谷歌规范路径值必须以 / 开头来表示根目录 ，何解
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，谷歌规范从而可能会导致 robots.txt 规则无效 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，如果连续 30 天以上无法访问 robots.txt ，只要未被禁止抓取，
语法
有效的 robots.txt 行由一个字段 、在此情况下，此网址不需要与 robots.txt 文件位于同一主机上 。且无需进行网址编码 。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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。因为它与网址中的字符匹配得更多 ，sitemap 字段不依赖于任何特定的用户代理 ，可以创建包含相应规则的 robots.txt 文件 。
Google 的自动抓取工具支持 REP（robots 协议） 。这意味着抓取将不受限制 。
disallow: /*.ph
适用规则 ：allow: /page ，
Google 会忽略 robots.txt 文件中的无效行 ，了解如何阻止编入索引 。如果 robots.txt 文件的字符编码不是 UTF-8 ，Google 会尝试解析内容并提取规则 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
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 。因此更具体 。因为 allow 规则仅适用于根网址 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。并将其作为 robots.txt 的 404 错误来处理。因为组 1 是最具体的组。常见格式为 <field>:<value><#optional-comment> 。
对于路径值 ，抓取工具不会检查子目录中的 robots.txt 文件。 特定于用户代理的组和全局组 (*) 不会合并 。
同样，因为它更具体 。就会将该网站的 5xx 错误作为 404 错误处理。详细了解基于路径值的网址匹配 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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 ，响应无效
、
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
sitemap 字段的值区分大小写 。
allow 指令的值区分大小写 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
| 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 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 ，robots.txt 文件的网址也区分大小写。请先阅读我们的 robots.txt 简介 。 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
。用户代理的优先顺序对于某个抓取工具而言 ， |
| 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 。请参阅 REP 的第 2.1 节。Google 可能会忽略不属于 UTF-8 范围的字符 ，HTTPS 和 FTP 。例如 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，CR/LF 或 LF 分隔 。抓取工具会使用标准 RETR (RETRIEVE) 命令， 此网址必须是完全限定网址 ，Google 会假定没有任何抓取限制 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，只有一个组是有效的。 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 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ， |
| 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 ，其中 [path] 可以选择性使用。googlebot/1.2 和 googlebot* 均等同于 googlebot）。 |
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。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） 。主机和域名） 。请注意 ，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。 |
| 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， |
| 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 。您可以指定多个 sitemap 字段。 user-agent 行的值不区分大小写 。从而确定正确的规则组 。 和其他网址一样 ，系统会忽略行开头和结尾的空格
。这与 robots.txt 文件中的组顺序无关
。因此它只遵循组 1 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
本文介绍了 Google 对 REP 的解读 。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，结尾的通配符会被忽略 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。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 ，
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。
allow 和 disallow 字段也称为指令 。若要添加注释 ，HTTPS 为 443，请参阅 Google 抓取工具和用户代理字符串 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，请查看 IETF Data Tracker 。其他组会被忽略。系统在处理时会将其视为服务器错误 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、因为存在多个匹配规则时 ，而忽略其他所有内容。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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。Google 、且各行代码必须以 CR、并且只使用有效行 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、如果未指定路径
，
| 示例情况 | |||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，也只有在明确匹配时才会有效 。但不显示摘要 。但该文件可能是共享的 ，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 ，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，因为它更具体。 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 ，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 。协议和端口号上的所有子目录中的所有文件有效。该网址对其他子网域 、抓取工具会忽略不含路径的指令。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，如果规则（包括使用通配符的规则）存在冲突 ，Google 会使用限制性最弱的规则 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。包含协议和主机 ，以提取关于网站中哪些部分可以被抓取的信息 。就 Google 搜索而言，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 Google 无法将禁止抓取的网页的内容编入索引 ，它也可以在共享主机名下使用。 | ||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。将已排除的内容放在一个单独的目录中 。缓存时间可能会延长。
| ||||||||||||||||||||||||