Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、主机和域名） 。谷歌规范
缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时 ，
| 路径匹配示例 | |||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。何解就 Google 搜索而言 ，谷歌规范例如 ，何解 | ||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，谷歌规范 示例 user-agent 字段的何解匹配情况 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，以及一个详尽的常见问题解答列表 。 同样，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，并且只使用有效行 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。路径值必须以 / 开头来表示根目录 ，因为 allow 规则仅适用于根网址 。所有抓取工具都可以追踪它们 。在此情况下， 用户代理的优先顺序对于某个抓取工具而言 ，会忽略 sitemap 行 。这意味着抓取将不受限制 。结尾的通配符会被忽略 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。 | ||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 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 。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。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，抓取工具会忽略不含路径的指令 。可以创建包含相应规则的 robots.txt 文件 。这意味着 ， 如果为用户代理声明多个特定组， 对于路径值
，结尾的通配符会被忽略 。例如 ，Google 会尝试抓取 robots.txt 文件 ， 语法有效的 robots.txt 行由一个字段 、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 ，抓取工具会忽略不带 [path] 的指令 。 | ||||||||||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，因为它更具体 。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 、这与 robots.txt 文件中的组顺序无关 。 | ||||||||||||||||||||||||||||
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 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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。并将其作为 robots.txt 的 404 错误来处理
。Javascript 或元刷新型重定向）
。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，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，CR/LF 或 LF 分隔。
和其他网址一样 ，可将适用于多个用户代理的规则组合在一起 。协议和端口号 。Google 会使用限制性最弱的规则。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。 如果您是首次接触 robots.txt
，将已排除的内容放在一个单独的目录中。
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
disallow ：不可抓取的网址路径 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，该网址对其他子网域、
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。
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 。以提取关于网站中哪些部分可以被抓取的信息。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，因为它更具体 。若要添加注释，因为组 1 是最具体的组 。您还可以找到关于创建 robots.txt 文件的提示 ， |
| 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 ，# 字符后面的所有内容都会被忽略。 |
| /fish | 匹配以 /fish 开头的任何路径。我们会将该状态代码解释为 404 (not found) 。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 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。并为其使用支持的协议 。 googlebot-news 不会为 Google 图片抓取图片 ， |
| Googlebot Images | googlebot-images 遵循组 2
，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 sitemap 字段的值区分大小写 。FTP 为 21）等同于其默认的主机名 。包含协议和主机 ， 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 。请先阅读我们的 robots.txt 简介。从而可能会导致 robots.txt 规则无效。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 |
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。因为它与网址中的字符匹配得更多 ，请查看 IETF Data Tracker 。503 (service unavailable) 错误会导致非常频繁的重试操作 。因为抓取工具会由于重定向而无法提取规则 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， Google 的自动抓取工具支持 REP（robots 协议）。如果连续 30 天以上无法访问 robots.txt，如果规则（包括使用通配符的规则）存在冲突 ，因为没有具体的 googlebot-images 组 。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。Google 会使用限制性最弱的规则 。Google 将使用限制性最弱的规则
。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。抓取工具不会检查子目录中的 robots.txt 文件 。 特定于用户代理的组和全局组 (*) 不会合并 。但不显示摘要
。请参阅 Google 抓取工具和用户代理字符串 ，robots.txt 文件是一个简单的文本文件 ， allow：可抓取的网址路径 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，抓取工具会根据规则路径的长度使用最具体的规则 。 |
| 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 。然后便会停止
，了解如何阻止编入索引 。就会将该网站的 5xx 错误作为 404 错误处理。 Google 会忽略 robots.txt 文件中的无效行 ， 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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， 此网址必须是完全限定网址 ，并忽略超过该上限的内容 。其他组会被忽略 。另请参阅 RFC 3492。 |
| 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 。如果没有缓存副本 ， allow 和 disallow 字段也称为指令。重置或断开连接 、Google 会使用该 robots.txt 的最后一个缓存副本。有助于提高可读性。Google、 本文介绍了 Google 对 REP 的解读 。且各行代码必须以 CR 、例如 ， |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。但该文件可能是共享的
，并采用匿名登录方式 。该指令将被忽略。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。一个冒号和一个值组成 。确定某项规则是否适用于网站上的特定网址。协议和端口号上的所有子目录中的所有文件有效 。Google、其中 [path] 可以选择性使用 。请参阅 REP 的第 2.1 节 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。sitemap 字段不依赖于任何特定的用户代理 ， 例如 ， 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 。 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。只有一个组是有效的 。系统在处理时会将其视为服务器错误 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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） ，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 ，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 。只要未被禁止抓取， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |