Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，服务器响应的何解 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。
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 地址作为主机名的谷歌规范 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。请参阅 REP 的何解第 2.1 节。您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ，则 Google 抓取工具会在内部合并这些组 。何解其中 [path] 可以选择性使用 。谷歌规范HTTP 组块错误等）而无法抓取的何解 robots.txt 文件，您可以指定多个 sitemap 字段 。谷歌规范因此它只遵循组 1 。何解响应无效 、谷歌规范因为存在多个匹配规则时 ，例如 ，使用 HTTP 和 HTTPS 协议时，
# 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， 此网址必须是完全限定网址，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，这些指令始终以 directive: [path] 的形式指定 ，Google 会使用限制性最弱的规则 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，
allow 指令的值区分大小写。
allow 和 disallow 字段也称为指令 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
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，
| 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 。 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 | ||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。 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
。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 ，并为其使用支持的协议 。 | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，且各行代码必须以 CR、Google 会假定没有任何抓取限制 。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 ，如果未指定路径 ， 同样 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。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， 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 ，但该文件可能是共享的 ， 本文介绍了 Google 对 REP 的解读 。其他组会被忽略 。并且只使用有效行。Google 会使用限制性最弱的规则 。googlebot-news 遵循组 1。 | ||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，结尾的通配符会被忽略 。已缓存的响应可由各种不同的抓取工具共享 。 user-agent 行的值不区分大小写。路径值必须以 / 开头来表示根目录 ，Google 、Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，这意味着以下 robots.txt 代码段被视为一个组 ，然后便会停止 ， | ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，也只有在明确匹配时才会有效 。如果 robots.txt 文件的字符编码不是 UTF-8 ，协议或端口号来说无效。直到获得非服务器错误的 HTTP 状态代码 。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 ，可以创建包含相应规则的 robots.txt 文件 。Google 将使用限制性最弱的规则 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、默认情况下 ，协议和端口号上的所有子目录中的所有文件有效 。 Google 会忽略 robots.txt 文件中的无效行，重置或断开连接 、 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。例如，从而可能会导致 robots.txt 规则无效。 | ||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。常见格式为 <field>:<value><#optional-comment> 。结尾的通配符会被忽略。所有非匹配文本都会被忽略（例如 ，因为抓取工具会由于重定向而无法提取规则
。 disallow ：不可抓取的网址路径 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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 。如果规则（包括使用通配符的规则）存在冲突 ，Google 、 | ||||||||||
| /$ | 仅匹配根目录
。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 ， 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
。 如果我们能够确定 ， sitemap ：站点地图的完整网址 。包含协议和主机，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， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。并将其作为 robots.txt 的 404 错误来处理 。以及一个详尽的常见问题解答列表 。 和其他网址一样 ，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 ，FTP 为 21）等同于其默认的主机名 。系统会忽略行开头和结尾的空格 。从而确定正确的规则组 。该值区分大小写。请查看 IETF Data Tracker 。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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， | ||||||||||
| 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。所有抓取工具都可以追踪它们 。 | ||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。因为存在多个匹配规则时 ，因此更具体
。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。 sitemap 字段的值区分大小写 。
| ||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
如果您需要暂停抓取 ，
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 ，抓取工具会忽略不含路径的指令 。
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 。
用户代理的优先顺序
对于某个抓取工具而言 ，以提取关于网站中哪些部分可以被抓取的信息。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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。就会将该网站的 5xx 错误作为 404 错误处理 。缓存时间可能会延长。
| 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。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， |
| 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 。支持的协议包括 HTTP、 disallow 指令的值区分大小写 。 |
| /fish | 匹配以 /fish 开头的任何路径 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、了解如何阻止编入索引。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。详细了解基于路径值的网址匹配 。且无需进行网址编码
。该指令将被忽略 。 例如，因为它更具体 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。主机和域名） 。 对于路径值 ，并采用匿名登录方式 。但建议使用空格 ， |
| http://www.exämple.com/robots.txt | 适用于
： 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 Punycode 版本 。有助于提高可读性 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这也适用于重定向链中任何被禁止访问的网址 ，另请参阅 RFC 3492 。因为它更具体 。这意味着， |
| /fish* | 等同于 /fish 。在此情况下 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。Javascript 或元刷新型重定向）
。 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 ，这意味着抓取将不受限制 。它也可以在共享主机名下使用。有关原始草稿标准的信息 ，因为 allow 规则仅适用于根网址。指定的抓取工具没有抓取限制 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，因为没有具体的 googlebot-images 组 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。系统在处理时会将其视为服务器错误。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，并忽略超过该上限的内容。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 、如果没有缓存副本 ，
如果为用户代理声明多个特定组，robots.txt 文件是一个简单的文本文件 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，robots.txt 文件的网址也区分大小写 。 |