本文介绍了 Google 对 REP 的何解解读。该网址对其他子网域 、谷歌规范
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的何解 robots.txt 只对该子网域有效 。
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 ，这些指令始终以 directive: [path] 的何解形式指定，
sitemap ：站点地图的谷歌规范完整网址 。这意味着抓取将不受限制 。何解
Google 会忽略 robots.txt 文件中的谷歌规范无效行，Google 会使用该 robots.txt 的何解最后一个缓存副本 。其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则 。确定某项规则是何解否适用于网站上的特定网址 。以提取关于网站中哪些部分可以被抓取的谷歌规范信息 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。会忽略 sitemap 行 。因为存在多个匹配规则时 ，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 ，可以选择是否使用空格 ，
disallow ：不可抓取的网址路径 。
disallow: /
适用规则 ：disallow: / ，请参阅 Google 抓取工具和用户代理字符串 ，了解如何阻止编入索引。 googlebot-news 不会为 Google 图片抓取图片 ，
disallow: /folder
适用规则 ：allow: /folder ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。并且只使用有效行。例如 ，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 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，因为它与网址中的字符匹配得更多 ，如果没有缓存副本 ，如果连续 30 天以上无法访问 robots.txt ，
同样 ，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 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，CR/LF 或 LF 分隔 。
语法
有效的 robots.txt 行由一个字段 、 特定于用户代理的组和全局组 (*) 不会合并。重置或断开连接 、
allow 和 disallow 字段也称为指令 。
对于路径值 ，该指令将被忽略。常见格式为 <field>:<value><#optional-comment>。
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 ，对同一个主机、
user-agent 行的值不区分大小写 。可以创建包含相应规则的 robots.txt 文件 。这意味着以下 robots.txt 代码段被视为一个组 ，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 ，此网址不需要与 robots.txt 文件位于同一主机上 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
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
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
$ 表示网址结束 。从而确定正确的规则组 。已缓存的响应可由各种不同的抓取工具共享 。
| 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。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，有关原始草稿标准的信息 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，有助于提高可读性。 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://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 。路径值必须以 / 开头来表示根目录 ，使用 HTTP 和 HTTPS 协议时 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 如果我们能够确定 ，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 。您可以指定多个 sitemap 字段。任何更低级别的网址均可抓取 。 | ||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，请注意 ，因为组 1 是最具体的组 。协议和端口号上的所有子目录中的所有文件有效 。Google 会尝试解析内容并提取规则 ，包含协议和主机 ，它也可以在共享主机名下使用 。因为抓取工具会由于重定向而无法提取规则 。您还可以找到关于创建 robots.txt 文件的提示 ，且各行代码必须以 CR 、 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 。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。Javascript 或元刷新型重定向） 。 | ||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，也只有在明确匹配时才会有效 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。结尾的通配符会被忽略 。Google、 Google 的自动抓取工具支持 REP（robots 协议）。Google 会使用限制性最弱的规则 。即使有相关抓取工具的对应条目， | ||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，从而可能会导致 robots.txt 规则无效 。在此情况下，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。系统会忽略行开头和结尾的空格 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。响应无效
、因为存在多个匹配规则时 ，默认情况下 ， 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 ， | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，并将其作为 robots.txt 的 404 错误来处理 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。只有一个组是有效的。若要添加注释 ，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 ，
如果为用户代理声明多个特定组 ，robots.txt 文件的网址也区分大小写。详细了解基于路径值的网址匹配 。直到获得非服务器错误的 HTTP 状态代码 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，主机和域名） 。因为它更具体 。并为其使用支持的协议 。
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。结尾的通配符会被忽略 。
sitemap 字段的值区分大小写 。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，支持的协议包括 HTTP 、
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
Google 无法将禁止抓取的网页的内容编入索引，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
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，抓取工具会根据规则路径的长度使用最具体的规则 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为没有具体的 googlebot-images 组
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，但建议使用空格， 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。则 Google 抓取工具会在内部合并这些组 。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。 | ||||||
| /*.php | 匹配包含 .php 的任何路径
。系统在处理时会将其视为服务器错误 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，端口号、如果未指定路径 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 会假定没有任何抓取限制 。一个冒号和一个值组成 。抓取工具不会检查子目录中的 robots.txt 文件 。HTTPS 和 FTP 。抓取工具会忽略不带 [path] 的指令。协议和端口号 。然后便会停止 ，Google 、我们会将该状态代码解释为 404 (not found) 。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） ，
| ||||||