本文介绍了 Google 对 REP 的谷歌规范解读。请注意 ，何解以及一个详尽的谷歌规范常见问题解答列表。503 (service unavailable) 错误会导致非常频繁的何解重试操作 。 例如 ，谷歌规范从而可能会导致 robots.txt 规则无效。何解抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，谷歌规范
文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件，就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。
Google 无法将禁止抓取的何解网页的内容编入索引 ，
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。谷歌规范因为存在多个匹配规则时 ，何解 如果我们能够确定 ，谷歌规范并将其作为 robots.txt 的 404 错误来处理 。 | ||||||||||||||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，Google 会尝试解析内容并提取规则，且无需进行网址编码 。例如 ，可以选择是否使用空格 ，为此，结尾的通配符会被忽略 。如果连续 30 天以上无法访问 robots.txt， 对于路径值，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。抓取工具不会检查子目录中的 robots.txt 文件 。 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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||||||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。将已排除的内容放在一个单独的目录中 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，但该文件可能是共享的，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" ，这也适用于重定向链中任何被禁止访问的网址 ， | ||||||||||||||||||||||||||||||||||||||||||||
disallow: /folder
适用规则 ：allow: /folder ，可以创建包含相应规则的 robots.txt 文件 。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，包含协议和主机 ，
allow 指令的值区分大小写。
和其他网址一样 ，其他组会被忽略 。
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 的自动抓取工具支持 REP（robots 协议）
。您可以指定多个 sitemap 字段 。robots.txt 文件的网址也区分大小写 。此网址不需要与 robots.txt 文件位于同一主机上。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
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，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
如果您需要暂停抓取，使用 HTTP 和 HTTPS 协议时，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 。因为组 1 是最具体的组。主机和域名） 。
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 ，常见格式为 <field>:<value><#optional-comment>。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 ，并忽略超过该上限的内容 。
| 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 。Google 会使用限制性最弱的规则 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 如果为用户代理声明多个特定组 ，请查看 IETF Data Tracker。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 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。就 Google 搜索而言， disallow 指令的值区分大小写 。HTTPS 为 443，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， |
| Googlebot（网络） | googlebot 遵循组 3。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 。请在注释前面加上 # 字符 。若要添加注释，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 ，有关原始草稿标准的信息 ，也只有在明确匹配时才会有效。 |
| Googlebot Images | googlebot-images 遵循组 2
，这意味着，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，则 Google 抓取工具会在内部合并这些组 。默认情况下 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。且各行代码必须以 CR 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。例如 ， 语法有效的 robots.txt 行由一个字段 、系统会忽略行开头和结尾的空格 。抓取工具会忽略不含路径的指令 。 此网址必须是完全限定网址 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
| 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。 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 。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） 。Google 会使用限制性最弱的规则 。 $ 表示网址结束 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 如果指定了 [path] 值 ，请参阅 REP 的第 2.1 节 。 |
| /fish | 匹配以 /fish 开头的任何路径
。书架推荐风味菜肴炒出香味：红烧鳝鱼的做法2017双十二销售额实时数据查询 淘宝天猫双十二销售额实时最新《卧龙吟》龙之为物，可比当世之豪杰中建股份、中建三局联合体93.58亿中标成都轨道交通27号线一期工程冷冷冷！新一波冷空气来袭 供暖季开启前做好这几件事→吉庆同福“礼盒矩阵”来袭！秋冬爆量密码，经销商速抢！（爱知·名古屋亚运会）中国选手陈妤颉获女子百米亚运金牌 泰国选手男子百米夺冠中国制造业争“先”惠及世界（国际论道） |