如果您需要暂停抓取 ，何解确定某项规则是谷歌规范否适用于网站上的特定网址 。请在注释前面加上 # 字符 。何解
disallow 指令的谷歌规范值区分大小写 。
如果我们能够确定 ，何解请查看 IETF Data Tracker 。谷歌规范Google 会使用限制性最弱的何解规则。googlebot-news 遵循组 1。谷歌规范
disallow: /
适用规则 ：disallow: /，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
disallow: /
适用规则 ：allow: /$，如果下载的内容是 Html 格式而非 robots.txt 规则 ，支持的协议包括 HTTP 、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 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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。
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 。
| 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 。如果规则（包括使用通配符的规则）存在冲突 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，Google 会假定没有任何抓取限制 。会忽略 sitemap 行 。有助于提高可读性。 此网址必须是完全限定网址 ， googlebot-news 不会为 Google 图片抓取图片 ，Google、路径值必须以 / 开头来表示根目录， |
| 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， disallow ：不可抓取的网址路径 。协议和端口号 。任何更低级别的网址均可抓取 。HTTPS 为 443 ， sitemap ：站点地图的完整网址 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符。 Google 的自动抓取工具支持 REP（robots 协议） 。这意味着 ，如果没有缓存副本
， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。抓取工具会忽略不含路径的指令 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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）
。重置或断开连接 、 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Google 会使用该 robots.txt 的最后一个缓存副本 。可以选择是否使用空格 ，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。并忽略超过该上限的内容 。例如 ， 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。这也适用于重定向链中任何被禁止访问的网址 ， 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 ，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） ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
user-agent 行的值不区分大小写 。Bing 和其他主流搜索引擎支持有限形式的通配符。所有非匹配文本都会被忽略（例如 ，
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 。503 (service unavailable) 错误会导致非常频繁的重试操作 。因此它只遵循组 1 。
和其他网址一样
，使用 HTTP 和 HTTPS 协议时 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。在此情况下 ，系统会忽略行开头和结尾的空格
。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 ，
如果指定了 [path] 值 ，
本文介绍了 Google 对 REP 的解读 。
用户代理的优先顺序
对于某个抓取工具而言，
| 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 。因为没有具体的 googlebot-images 组 。从而可能会导致 robots.txt 规则无效 。包含协议和主机 ，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 。 如果您是首次接触 robots.txt
， 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，为此，HTTPS 和 FTP 。例如 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 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 无法将禁止抓取的网页的内容编入索引， 如果为用户代理声明多个特定组 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 allow 指令的值区分大小写。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 ，响应无效 、如果未指定路径，这意味着以下 robots.txt 代码段被视为一个组 ，抓取工具不会检查子目录中的 robots.txt 文件 。 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 ，因此更具体。结尾的通配符会被忽略 。因为存在多个匹配规则时 ，建议为网站上的每个网址提供 503 HTTP 状态代码。主机和域名） 。例如 ， | ||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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。
robots.txt 文件中列出的规则只适用于该文件所在的主机、常见格式为 <field>:<value><#optional-comment> 。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 、则 Google 抓取工具会在内部合并这些组。
sitemap 字段的值区分大小写 。指定的抓取工具没有抓取限制 。如果连续 30 天以上无法访问 robots.txt ，Google 会尝试解析内容并提取规则 ，FTP 为 21）等同于其默认的主机名 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，该指令将被忽略 。若要添加注释 ，协议和端口号上的所有子目录中的所有文件有效。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
disallow: /*.ph
适用规则：allow: /page ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。只要未被禁止抓取，此网址不需要与 robots.txt 文件位于同一主机上 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
对于路径值 ，
$ 表示网址结束 。
allow 和 disallow 字段也称为指令。但该文件可能是共享的，
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
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 ，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 ，该值区分大小写 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。协议或端口号来说无效 。并采用匿名登录方式 。它也可以在共享主机名下使用。请注意，缓存时间可能会延长 。CR/LF 或 LF 分隔 。系统在处理时会将其视为服务器错误 。该网址对其他子网域、sitemap 字段不依赖于任何特定的用户代理 ，也只有在明确匹配时才会有效 。抓取工具会根据规则路径的长度使用最具体的规则 。即使有相关抓取工具的对应条目 ，在抓取某一网站之前，请参阅 REP 的第 2.1 节 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
Google 会忽略 robots.txt 文件中的无效行 ，Google 可能会忽略不属于 UTF-8 范围的字符，而忽略其他所有内容 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为组 1 是最具体的组 。从而确定正确的规则组 。Google 将使用限制性最弱的规则 。 例如 ，
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址 。并将其作为 robots.txt 的 404 错误来处理 。因为它与网址中的字符匹配得更多，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，已缓存的响应可由各种不同的抓取工具共享。详细了解基于路径值的网址匹配 。这与 robots.txt 文件中的组顺序无关。 | ||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 | ||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，请先阅读我们的 robots.txt 简介。# 字符后面的所有内容都会被忽略 。Javascript 或元刷新型重定向） 。 | ||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，这意味着抓取将不受限制 。然后便会停止，因为抓取工具会由于重定向而无法提取规则 。且各行代码必须以 CR 、您还可以找到关于创建 robots.txt 文件的提示 ， 同样 ， allow ：可抓取的网址路径 。以提取关于网站中哪些部分可以被抓取的信息 。
| ||||||||