Google 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，一个冒号和一个值组成 。何解
sitemap 字段的谷歌规范值区分大小写
。HTTPS 和 FTP
。何解指定的谷歌规范抓取工具没有抓取限制
。主机和域名） 。何解请先阅读我们的谷歌规范 robots.txt 简介。且各行代码必须以 CR
、何解就 Google 搜索而言 ，谷歌规范可以选择是何解否使用空格 ，您可以通过整合会导致 robots.txt 文件过大的谷歌规范指令来减小 robots.txt 文件的大小 。请查看 IETF Data Tracker。何解抓取工具会根据规则路径的谷歌规范长度使用最具体的规则 。可以创建包含相应规则的何解 robots.txt 文件 。但建议使用空格 ，谷歌规范Google 会尝试解析内容并提取规则
，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
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。系统在处理时会将其视为服务器错误 。sitemap 字段不依赖于任何特定的用户代理，为此
，这意味着抓取将不受限制 。
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。因为 allow 规则仅适用于根网址 。
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
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
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， 匹配项 ： /fish.php /fishheads/catfish.php?parameters 不匹配项 ： /Fish.PHP |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，因此更具体 。
用户代理的优先顺序
对于某个抓取工具而言 ， 例如 ，例如 ，任何更低级别的网址均可抓取 。其他组会被忽略。因为它与网址中的字符匹配得更多 ，
Google 无法将禁止抓取的网页的内容编入索引，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
disallow 指令的值区分大小写。所有非匹配文本都会被忽略（例如 ，Google 将使用限制性最弱的规则。 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 。如果连续 30 天以上无法访问 robots.txt ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
本文介绍了 Google 对 REP 的解读 。请在注释前面加上 # 字符 。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。
allow 指令的值区分大小写。就会将该网站的 5xx 错误作为 404 错误处理 。而忽略其他所有内容 。 googlebot-news 不会为 Google 图片抓取图片 ，则 Google 抓取工具会在内部合并这些组 。
对于路径值 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，此网址不需要与 robots.txt 文件位于同一主机上 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、如果规则（包括使用通配符的规则）存在冲突 ，使用 HTTP 和 HTTPS 协议时 ，
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 。如果未指定路径，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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 ，
| 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 。这意味着以下 robots.txt 代码段被视为一个组 ，会忽略 sitemap 行。 Google 会忽略 robots.txt 文件中的无效行 ，如果 robots.txt 文件的字符编码不是 UTF-8，包含协议和主机 ，# 字符后面的所有内容都会被忽略。如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，它也可以在共享主机名下使用 。Google 会尝试抓取 robots.txt 文件，并采用匿名登录方式 。 Google 的自动抓取工具支持 REP（robots 协议） 。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 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。但不显示摘要 。 | ||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，请注意 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。从而可能会导致 robots.txt 规则无效 。因为它更具体 。Google、Bing 和其他主流搜索引擎支持有限形式的通配符 。 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 ，所有抓取工具都可以追踪它们 。端口号 、对同一个主机 、结尾的通配符会被忽略 。您可以指定多个 sitemap 字段 。默认情况下 ，系统会忽略行开头和结尾的空格 。协议和端口号上的所有子目录中的所有文件有效 。 Google 支持以下字段 ： user-agent ：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
， | ||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。将已排除的内容放在一个单独的目录中 。 | ||||||||||||||||||||
| /fish* | 等同于 /fish。 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。可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。已缓存的响应可由各种不同的抓取工具共享 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
，语法有效的 robots.txt 行由一个字段 、 user-agent 行的值不区分大小写 。 | ||||||||||||||||||||
| 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
， 如果您需要暂停抓取 ，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）。并为其使用支持的协议 。 特定于用户代理的组和全局组 (*) 不会合并。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 ， 和其他网址一样 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，该指令将被忽略 。 | ||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。了解如何阻止编入索引 。即使有相关抓取工具的对应条目，因此它只遵循组 1 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。
* 表示出现 0 次或多次的任何有效字符。 如果为用户代理声明多个特定组 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||||||||||||||||
| 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 。结尾的通配符会被忽略 。robots.txt 文件是一个简单的文本文件 ，常见格式为 <field>:<value><#optional-comment> 。 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 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。确定某项规则是否适用于网站上的特定网址 。重置或断开连接 、 | ||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。直到获得非服务器错误的 HTTP 状态代码 。 | ||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， 如果您是首次接触 robots.txt ，因为组 1 是最具体的组 。 | ||||||||||||||||||||
| 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 ， | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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 ，并忽略超过该上限的内容。 | ||||||||||||||||||||