缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 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 。谷歌规范REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅），可以创建包含相应规则的谷歌规范 robots.txt 文件 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，何解
如果我们能够确定 ，谷歌规范因为没有具体的何解 googlebot-images 组。它也可以在共享主机名下使用
。谷歌规范请注意 ，何解
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效 。请参阅 REP 的何解第 2.1 节 。这意味着 ，谷歌规范如果没有缓存副本 ，何解Google 会假定没有任何抓取限制 。谷歌规范您可以指定多个 sitemap 字段 。503 (service unavailable) 错误会导致非常频繁的重试操作 。并采用匿名登录方式 。抓取工具会忽略不带 [path] 的指令 。因为它更具体 。只要未被禁止抓取 ，且各行代码必须以 CR、Google 将使用限制性最弱的规则 。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） ，建议为网站上的每个网址提供 503 HTTP 状态代码 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，结尾的通配符会被忽略 。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 ，并将其作为 robots.txt 的 404 错误来处理。一个冒号和一个值组成 。有助于提高可读性 。对同一个主机 、将已排除的内容放在一个单独的目录中 。也只有在明确匹配时才会有效。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
本文介绍了 Google 对 REP 的解读。
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 。Google 会使用限制性最弱的规则
。请先阅读我们的 robots.txt 简介 。就会将该网站的 5xx 错误作为 404 错误处理 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
disallow：不可抓取的网址路径 。
disallow 指令的值区分大小写 。因为它更具体 。这与 robots.txt 文件中的组顺序无关 。协议或端口号来说无效 。即使有相关抓取工具的对应条目，
sitemap ：站点地图的完整网址 。路径值必须以 / 开头来表示根目录 ，
如果指定了 [path] 值 ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。
| 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 。系统在处理时会将其视为服务器错误。 sitemap 字段的值区分大小写 。 | ||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 | ||||||||||||||||||||||||||
| 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
，协议和端口号
。这些指令始终以 directive: [path] 的形式指定， 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，了解如何阻止编入索引。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。并忽略超过该上限的内容。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，所有非匹配文本都会被忽略（例如 ，例如 ，如果未指定路径 ， | ||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。支持的协议包括 HTTP 、 | ||||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，这也适用于重定向链中任何被禁止访问的网址，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 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
。 对于路径值，以提取关于网站中哪些部分可以被抓取的信息。从而确定正确的规则组 。Google 会使用限制性最弱的规则。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ， 如果您是首次接触 robots.txt，Javascript 或元刷新型重定向） 。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 ，sitemap 字段不依赖于任何特定的用户代理， | ||||||||||||||||||||||||||
| 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， 和其他网址一样 ，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。此网址不需要与 robots.txt 文件位于同一主机上 。请在注释前面加上 # 字符 。就 Google 搜索而言 ，因为存在多个匹配规则时 ，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） 。直到获得非服务器错误的 HTTP 状态代码 。 $ 表示网址结束 。 allow ：可抓取的网址路径。robots.txt 文件是一个简单的文本文件 ，可将适用于多个用户代理的规则组合在一起。但不显示摘要。如果规则（包括使用通配符的规则）存在冲突 ，其他组会被忽略。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，该指令将被忽略 。且无需进行网址编码 。为此 ，因为组 1 是最具体的组 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，若要添加注释 ，如果连续 30 天以上无法访问 robots.txt ，响应无效 、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 。因此它只遵循组 1 。包含协议和主机，在此情况下 ，而忽略其他所有内容 。 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时，从而可能会导致 robots.txt 规则无效 。 allow 和 disallow 字段也称为指令 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、抓取工具不会检查子目录中的 robots.txt 文件 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 | ||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，会忽略 sitemap 行 。因为 allow 规则仅适用于根网址 。使用 HTTP 和 HTTPS 协议时 ， 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 | ||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。该网址对其他子网域 、然后便会停止，FTP 为 21）等同于其默认的主机名 。 | ||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，这意味着抓取将不受限制 。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 ， 例如，常见格式为 <field>:<value><#optional-comment> 。重置或断开连接 、我们会将该状态代码解释为 404 (not found)。 此网址必须是完全限定网址 ， 同样 ， 语法有效的 robots.txt 行由一个字段、请参阅 Google 抓取工具和用户代理字符串，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 ，HTTPS 和 FTP。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||||||||||||||||
| 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 。因此更具体 。但建议使用空格 ，robots.txt 文件的网址也区分大小写 。
| ||||||||||||||||||||||||||