如果您需要暂停抓取，谷歌规范协议或端口号来说无效 。何解某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码 ，指定的何解抓取工具没有抓取限制。
Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，协议和端口号 。何解
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 特定于用户代理的何解组和全局组 (*) 不会合并 。主机和域名） 。谷歌规范例如 ，何解Google 会使用限制性最弱的谷歌规范规则 。为此 ，何解
如果我们能够确定 ，何解从而确定正确的谷歌规范规则组 。
disallow: /*.ph
适用规则 ：allow: /page，
对于路径值 ，另请参阅 RFC 3492 。其他组会被忽略。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 。因为存在多个匹配规则时 ，该指令将被忽略 。
| 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 。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 ， |
| 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。确定某项规则是否适用于网站上的特定网址 。Google 可能会忽略不属于 UTF-8 范围的字符 ， |
| Googlebot Images | googlebot-images 遵循组 2，重置或断开连接 、对同一个主机 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 |
| /$ | 仅匹配根目录 。 allow 指令的值区分大小写。 和其他网址一样 ，会忽略 sitemap 行。这意味着， |
| 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 ， 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 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。并为其使用支持的协议
。所有抓取工具都可以追踪它们
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，并且只使用有效行。若要添加注释 ， |
| /*.php | 匹配包含 .php 的任何路径 。即使有相关抓取工具的对应条目 ，如果 robots.txt 文件的字符编码不是 UTF-8
，Google 会尝试抓取 robots.txt 文件 ，并忽略超过该上限的内容 。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 。因为抓取工具会由于重定向而无法提取规则。 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 会假定没有任何抓取限制。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。请参阅 REP 的第 2.1 节 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。这也适用于重定向链中任何被禁止访问的网址 ，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） 。因此它只遵循组 1 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。Google 会尝试解析内容并提取规则 ，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 ，响应无效、HTTPS 为 443 ，您可以指定多个 sitemap 字段 。因为组 1 是最具体的组 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。FTP 为 21）等同于其默认的主机名 。 如果您是首次接触 robots.txt， 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 ，并采用匿名登录方式 。就会将该网站的 5xx 错误作为 404 错误处理。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 ，请参阅 Google 抓取工具和用户代理字符串 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。但建议使用空格 ，而忽略其他所有内容 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， user-agent 行的值不区分大小写 。抓取工具会忽略不带 [path] 的指令 。默认情况下，可以创建包含相应规则的 robots.txt 文件 。请先阅读我们的 robots.txt 简介 。协议和端口号上的所有子目录中的所有文件有效 。也只有在明确匹配时才会有效 。这些指令始终以 directive: [path] 的形式指定，Google 、 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，如果未指定路径，使用 HTTP 和 HTTPS 协议时
，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、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 。且无需进行网址编码 。我们会将该状态代码解释为 404 (not found) 。以提取关于网站中哪些部分可以被抓取的信息。它也可以在共享主机名下使用
。
| 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 。然后便会停止 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。在此情况下 ， | ||||||||||||||||||||||||||||
| /fish* | 等同于 /fish
。因为 allow 规则仅适用于根网址
。了解如何阻止编入索引 。 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。 sitemap 字段的值区分大小写 。该网址对其他子网域 、 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
本文介绍了 Google 对 REP 的解读 。
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 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 disallow：不可抓取的网址路径 。 如果为用户代理声明多个特定组 ， Google 会忽略 robots.txt 文件中的无效行 ， 例如 ，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 、结尾的通配符会被忽略
。详细了解基于路径值的网址匹配 。例如，因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。可以选择是否使用空格
，因此更具体
。sitemap 字段不依赖于任何特定的用户代理 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 语法有效的 robots.txt 行由一个字段 、路径值必须以 / 开头来表示根目录， allow ：可抓取的网址路径 。但不显示摘要 。CR/LF 或 LF 分隔 。 |
| /fish | 匹配以 /fish 开头的任何路径。Google 将使用限制性最弱的规则 。例如 ，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 ，请查看 IETF Data Tracker 。端口号、Google 、 |
| Googlebot（网络） | googlebot 遵循组 3 。这意味着抓取将不受限制 。Google 抓取工具会下载并解析该网站的 robots.txt 文件
，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 ， 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。 |
| 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。 disallow 指令的值区分大小写 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 Google 的自动抓取工具支持 REP（robots 协议）
。支持的协议包括 HTTP、 |