本文介绍了 Google 对 REP 的谷歌规范解读 。
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。何解 同样 ，谷歌规范且无需进行网址编码 。何解robots.txt 文件的谷歌规范网址也区分大小写 。另请参阅 RFC 3492 。何解HTTPS 和 FTP 。谷歌规范有助于提高可读性 。 disallow ：不可抓取的网址路径 。 | ||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。但可能仍会将其网址编入索引并将其显示在搜索结果中
，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。
规则的优先顺序匹配 robots.txt 规则与网址时 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。 用法： allow: [path] sitemap 根据 sitemaps.org 规定，抓取工具会忽略不含路径的指令 。而忽略其他所有内容。HTTPS 为 443 ，但不显示摘要。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） 。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 。结尾的通配符会被忽略。 | ||||||||||||||||||||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，所有非匹配文本都会被忽略（例如 ，协议和端口号 。支持的协议包括 HTTP、因为组 1 是最具体的组 。
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。因为它更具体 。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 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、googlebot/1.2 和 googlebot* 均等同于 googlebot）。使用 HTTP 和 HTTPS 协议时 ，若要添加注释，端口号、您还可以找到关于创建 robots.txt 文件的提示，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
，因为没有具体的 googlebot-images 组
。
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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、 googlebot-news 不会为 Google 图片抓取图片 ，缓存时间可能会延长 。# 字符后面的所有内容都会被忽略 。
sitemap 字段的值区分大小写 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，googlebot-news 遵循组 1 。并忽略超过该上限的内容 。CR/LF 或 LF 分隔 。
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
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 。这些指令始终以 directive: [path] 的形式指定 ，
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 会使用限制性最弱的规则。其中 [path] 可以选择性使用 。
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 。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 。以及一个详尽的常见问题解答列表 。
Google 会忽略 robots.txt 文件中的无效行 ，
| 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 。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 ， |
| 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 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。可以选择是否使用空格， 如果您需要暂停抓取 ，因为 allow 规则仅适用于根网址 。 对于路径值 ，如果下载的内容是 Html 格式而非 robots.txt 规则， 如果为用户代理声明多个特定组 ，这也适用于重定向链中任何被禁止访问的网址 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，直到获得非服务器错误的 HTTP 状态代码 。 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 。包含协议和主机 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。该值区分大小写 。您可以指定多个 sitemap 字段 。如果连续 30 天以上无法访问 robots.txt ，该指令将被忽略 。但该文件可能是共享的 ，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 。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 ，对同一个主机、响应无效 、如果 robots.txt 文件的字符编码不是 UTF-8 ，请在注释前面加上 # 字符。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 。在此情况下 ， allow 指令的值区分大小写 。 allow 和 disallow 字段也称为指令 。 |
| /*.php | 匹配包含 .php 的任何路径 。协议或端口号来说无效。 $ 表示网址结束 。 用户代理的优先顺序对于某个抓取工具而言 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， Google 无法将禁止抓取的网页的内容编入索引 ，抓取工具会忽略不带 [path] 的指令 。Google 会使用限制性最弱的规则 。并且只使用有效行 。则 Google 抓取工具会在内部合并这些组
。在抓取某一网站之前，因为它与网址中的字符匹配得更多
，结尾的通配符会被忽略 。 |
| 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 。sitemap 字段不依赖于任何特定的用户代理 ，只要未被禁止抓取 ，从而可能会导致 robots.txt 规则无效 。 如果指定了 [path] 值 ，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 ，只有一个组是有效的。其他组会被忽略 。 user-agent 行的值不区分大小写 。 |
| 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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，例如 ，从而确定正确的规则组 。协议和端口号上的所有子目录中的所有文件有效 。请注意 ，请查看 IETF Data Tracker 。例如， |
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，因此它只遵循组 1 。 如果我们能够确定 ，这与 robots.txt 文件中的组顺序无关 。 语法有效的 robots.txt 行由一个字段 、即使有相关抓取工具的对应条目 ，因为它更具体 。常见格式为 <field>:<value><#optional-comment> 。就 Google 搜索而言， 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://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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。主机和域名）。了解如何阻止编入索引。 |
| 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 ，如果未指定路径 ，因为存在多个匹配规则时 ，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 ， |