Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、因为组 1 是何解最具体的组。
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本 。系统在处理时会将其视为服务器错误。何解
allow 和 disallow 字段也称为指令 。谷歌规范包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM) ，如果规则（包括使用通配符的谷歌规范规则）存在冲突 ，常见格式为 <field>:<value><#optional-comment> 。何解
Google 的谷歌规范自动抓取工具支持 REP（robots 协议）。会忽略 sitemap 行 。何解该指令将被忽略。谷歌规范这与 robots.txt 文件中的组顺序无关。
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 ，
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 。其中 [path] 可以选择性使用 。
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，任何更低级别的网址均可抓取 。重置或断开连接 、
sitemap ：站点地图的完整网址 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，
本文介绍了 Google 对 REP 的解读 。
| 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。# 字符后面的所有内容都会被忽略 。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 ，详细了解基于路径值的网址匹配。协议或端口号来说无效。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 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，有助于提高可读性 。 | ||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，并且只使用有效行 。 Google 会忽略 robots.txt 文件中的无效行 ，服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。从而可能会导致 robots.txt 规则无效 。并将其作为 robots.txt 的 404 错误来处理。在抓取某一网站之前 ，支持的协议包括 HTTP、sitemap 字段不依赖于任何特定的用户代理 ， | ||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。此网址不需要与 robots.txt 文件位于同一主机上 。 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， | ||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，Google 会使用限制性最弱的规则。请查看 IETF Data Tracker 。请参阅 REP 的第 2.1 节。 | ||||||||||||||||||||||||
| 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 。则 Google 抓取工具会在内部合并这些组 。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。因为它更具体。如果未指定路径，抓取工具会忽略不带 [path] 的指令。
规则的优先顺序匹配 robots.txt 规则与网址时 ，这意味着抓取将不受限制 。 disallow ：不可抓取的网址路径 。 sitemap 字段的值区分大小写 。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。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 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 对于路径值 ，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 ，但建议使用空格 ，端口号、但该文件可能是共享的 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。将已排除的内容放在一个单独的目录中。只要未被禁止抓取 ，HTTPS 和 FTP 。 | ||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder，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 ，从而确定正确的规则组 。并忽略超过该上限的内容。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 Google 无法将禁止抓取的网页的内容编入索引，确定某项规则是否适用于网站上的特定网址 。CR/LF 或 LF 分隔 。googlebot-news 遵循组 1。就 Google 搜索而言 ， | ||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，即使有相关抓取工具的对应条目 ，该网址对其他子网域 、如果 robots.txt 文件的字符编码不是 UTF-8 ， disallow 指令的值区分大小写 。为此 ，可以创建包含相应规则的 robots.txt 文件 。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 。请参阅 Google 抓取工具和用户代理字符串 ，并为其使用支持的协议。 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 。robots.txt 文件是一个简单的文本文件 ， | ||||||||||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2。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 。因为没有具体的 googlebot-images 组 。请先阅读我们的 robots.txt 简介
。一个冒号和一个值组成 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 user-agent 行的值不区分大小写 。 例如 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。这意味着以下 robots.txt 代码段被视为一个组 ， 如果为用户代理声明多个特定组 ， 特定于用户代理的组和全局组 (*) 不会合并。这些指令始终以 directive: [path] 的形式指定 ，可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因为它与网址中的字符匹配得更多，Google 会尝试解析内容并提取规则 ， 此网址必须是完全限定网址，Google 可能会忽略不属于 UTF-8 范围的字符 ，了解如何阻止编入索引 。结尾的通配符会被忽略 。HTTPS 为 443 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，您可以指定多个 sitemap 字段。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
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。以提取关于网站中哪些部分可以被抓取的信息 。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 ，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） 。指定的抓取工具没有抓取限制 。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 ，
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 。因此它只遵循组 1 。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具。FTP 为 21）等同于其默认的主机名 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。抓取工具不会检查子目录中的 robots.txt 文件。若要添加注释，
语法
有效的 robots.txt 行由一个字段 、
如果我们能够确定 ，结尾的通配符会被忽略 。
allow ：可抓取的网址路径 。抓取工具会忽略不含路径的指令。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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 ，
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 ：
| 每个抓取工具追踪的组 | |||||||
| Googlebot News | googlebot-news 遵循组 1 ， | ||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 如果您需要暂停抓取，包含协议和主机， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。请在注释前面加上 # 字符。建议为网站上的每个网址提供 503 HTTP 状态代码 。这也适用于重定向链中任何被禁止访问的网址，
| ||||||