Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
同样，何解
disallow ：不可抓取的谷歌规范网址路径 。因此它只遵循组 1 。何解结尾的谷歌规范通配符会被忽略 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，何解
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，指定的何解抓取工具没有抓取限制 。因此 user-agent a 和 b 均受 disallow: / 规则的谷歌规范影响 ：
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，这意味着以下 robots.txt 代码段被视为一个组 ，何解
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范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
/desert/fish
注意 ：匹配时区分大小写。只有一个组是有效的 。这意味着抓取将不受限制 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，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。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，任何更低级别的网址均可抓取 。
sitemap 字段的值区分大小写。而忽略其他所有内容。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 。可以创建包含相应规则的 robots.txt 文件 。响应无效 、这些指令始终以 directive: [path] 的形式指定 ，包含协议和主机 ，因为 allow 规则仅适用于根网址。则 Google 抓取工具会在内部合并这些组。
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 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，并采用匿名登录方式 。这也适用于重定向链中任何被禁止访问的网址 ，如果未指定路径 ，
对于路径值 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
和其他网址一样 ，缓存时间可能会延长 。
allow：可抓取的网址路径 。因为它与网址中的字符匹配得更多，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 抓取工具会下载并解析该网站的 robots.txt 文件 ，并忽略超过该上限的内容 。
disallow: /
适用规则 ：allow: /$ ， 此网址必须是完全限定网址，
匹配项 ：
/fish.php
/fishheads/catfish.php?parameters
不匹配项： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，使用 HTTP 和 HTTPS 协议时 ，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，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 、
Google 的自动抓取工具支持 REP（robots 协议） 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因为组 1 是最具体的组
。然后便会停止，
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 。
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 。 googlebot-news 不会为 Google 图片抓取图片 ，CR/LF 或 LF 分隔 。
disallow: /
适用规则 ：disallow: / ，例如，
本文介绍了 Google 对 REP 的解读 。默认情况下 ，在抓取某一网站之前 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
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 。Google 会使用限制性最弱的规则 。因为存在多个匹配规则时 ，所有抓取工具都可以追踪它们 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。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 。但不显示摘要 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
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 。Google 会假定没有任何抓取限制 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
sitemap：站点地图的完整网址。
用户代理的优先顺序
对于某个抓取工具而言 ，
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 。有助于提高可读性 。该值区分大小写 。我们会将该状态代码解释为 404 (not found) 。如果连续 30 天以上无法访问 robots.txt ，请在注释前面加上 # 字符 。直到获得非服务器错误的 HTTP 状态代码 。另请参阅 RFC 3492 。结尾的通配符会被忽略 。并为其使用支持的协议。如果规则（包括使用通配符的规则）存在冲突 ，因为它更具体。且各行代码必须以 CR 、
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
语法
有效的 robots.txt 行由一个字段 、
allow 指令的值区分大小写 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。例如 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
如果指定了 [path] 值，例如 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
* 表示出现 0 次或多次的任何有效字符 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。协议或端口号来说无效 。了解如何阻止编入索引 。Javascript 或元刷新型重定向）
。
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
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 ，Google 、
| 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 。也只有在明确匹配时才会有效 。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 ，协议和端口号。因为存在多个匹配规则时 ，如果没有缓存副本 ， $ 表示网址结束 。Google 会使用限制性最弱的规则 。所有非匹配文本都会被忽略（例如 ，例如 ，Google 会尝试解析内容并提取规则 ， 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 ， allow 和 disallow 字段也称为指令。将已排除的内容放在一个单独的目录中 。FTP 为 21）等同于其默认的主机名 。它也可以在共享主机名下使用 。robots.txt 文件的网址也区分大小写 。请参阅 Google 抓取工具和用户代理字符串 ， Google 无法将禁止抓取的网页的内容编入索引 ，在此情况下 ，请注意 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。从而可能会导致 robots.txt 规则无效 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，端口号 、路径值必须以 / 开头来表示根目录， 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 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、建议为网站上的每个网址提供 503 HTTP 状态代码 。 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 会尝试抓取 robots.txt 文件 ，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，该网址对其他子网域 、 例如
，Google、为此 ， user-agent 行的值不区分大小写 。因为抓取工具会由于重定向而无法提取规则 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
| ||||||||||||||||||||||||||||||||