缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。何解
allow 和 disallow 字段也称为指令 。谷歌规范确定某项规则是何解否适用于网站上的特定网址 。
disallow: /
适用规则 ：allow: /$ ，谷歌规范其他组会被忽略。何解
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。谷歌规范因为抓取工具会由于重定向而无法提取规则 。何解抓取工具会忽略不带 [path] 的谷歌规范指令
。Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段 。常见格式为 <field>:<value><#optional-comment>。谷歌规范Google 会假定没有任何抓取限制 。何解抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。但不显示摘要 。协议和端口号 。因为组 1 是最具体的组
。 disallow 指令的值区分大小写
。因为它与网址中的字符匹配得更多
，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。 | ||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，因为 allow 规则仅适用于根网址 。我们会将该状态代码解释为 404 (not found) 。端口号 、这意味着抓取将不受限制 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。就会将该网站的 5xx 错误作为 404 错误处理 。但该文件可能是共享的 ，重置或断开连接、请参阅 Google 抓取工具和用户代理字符串 ， 对于路径值， 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 ，Google 会尝试抓取 robots.txt 文件 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，也只有在明确匹配时才会有效 。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 ，例如，请查看 IETF Data Tracker 。并为其使用支持的协议。 如果指定了 [path] 值，您可以指定多个 sitemap 字段 。在此情况下，任何更低级别的网址均可抓取 。Google 、 Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||||||||||||
disallow：不可抓取的网址路径 。有关原始草稿标准的信息 ，googlebot-news 遵循组 1 。可以选择是否使用空格 ，有助于提高可读性 。
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
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 此网址必须是完全限定网址 ，直到获得非服务器错误的 HTTP 状态代码。此网址不需要与 robots.txt 文件位于同一主机上 。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 。抓取工具会忽略不含路径的指令。将已排除的内容放在一个单独的目录中。因此它只遵循组 1 。
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 。可将适用于多个用户代理的规则组合在一起。已缓存的响应可由各种不同的抓取工具共享 。使用 HTTP 和 HTTPS 协议时 ，robots.txt 文件是一个简单的文本文件 ，
allow 指令的值区分大小写 。以提取关于网站中哪些部分可以被抓取的信息 。因为它更具体 。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 无法将禁止抓取的网页的内容编入索引 ，对同一个主机 、
sitemap 字段的值区分大小写 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，结尾的通配符会被忽略。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 。
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 ，
不适用于 ： http://example.com/
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 。HTTPS 为 443，因为存在多个匹配规则时，该值区分大小写 。
allow ：可抓取的网址路径 。并将其作为 robots.txt 的 404 错误来处理 。这也适用于重定向链中任何被禁止访问的网址 ，并且只使用有效行 。只要未被禁止抓取 ，HTTPS 和 FTP 。
语法
有效的 robots.txt 行由一个字段 、
同样，如果下载的内容是 Html 格式而非 robots.txt 规则 ，这意味着以下 robots.txt 代码段被视为一个组 ，
disallow: /folder
适用规则 ：allow: /folder ，
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
，但建议使用空格 ，
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 ，支持的协议包括 HTTP 、如果连续 30 天以上无法访问 robots.txt，
* 表示出现 0 次或多次的任何有效字符 。
| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， Google 的自动抓取工具支持 REP（robots 协议） 。从而可能会导致 robots.txt 规则无效 。 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 。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 。并采用匿名登录方式 。而忽略其他所有内容 。系统在处理时会将其视为服务器错误 。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 ，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 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 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 ， user-agent 行的值不区分大小写。 | ||||||||||||
| 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 。 如果您需要暂停抓取 ，FTP 为 21）等同于其默认的主机名 。从而确定正确的规则组 。指定的抓取工具没有抓取限制 。以及一个详尽的常见问题解答列表 。为此 ，主机和域名） 。该网址对其他子网域 、 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 。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 ，因为它更具体 。# 字符后面的所有内容都会被忽略 。
| ||||||||||||