如果您需要暂停抓取，何解
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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，何解而忽略其他所有内容 。谷歌规范并且只使用有效行 。何解HTTPS 和 FTP 。谷歌规范只有一个组是有效的 。
如果为用户代理声明多个特定组 ，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 会忽略 robots.txt 文件中的无效行 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，您还可以找到关于创建 robots.txt 文件的提示 ，响应无效、则 Google 抓取工具会在内部合并这些组 。 对于路径值 ，默认情况下 ，因为它更具体 。 用户代理的优先顺序对于某个抓取工具而言， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，以及一个详尽的常见问题解答列表 。 如果您是首次接触 robots.txt ，系统会忽略行开头和结尾的空格 。重置或断开连接、Google 会使用限制性最弱的规则 。如果没有缓存副本 ，Google 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，这意味着抓取将不受限制 。Google、这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。我们会将该状态代码解释为 404 (not found)。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， 例如，
| 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。协议和端口号上的所有子目录中的所有文件有效 。主机和域名）
。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 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 。因为抓取工具会由于重定向而无法提取规则 。这些指令始终以 directive: [path] 的形式指定， |
| Googlebot News（抓取图片时） | 抓取图片时，包含协议和主机
，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、缓存时间可能会延长 。Google 会使用该 robots.txt 的最后一个缓存副本 。抓取工具会根据规则路径的长度使用最具体的规则 。您可以指定多个 sitemap 字段 。一个冒号和一个值组成 。 user-agent 行的值不区分大小写 。可以选择是否使用空格 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，只要未被禁止抓取，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 ，其中 [path] 可以选择性使用 。 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 ， 本文介绍了 Google 对 REP 的解读 。 sitemap 字段的值区分大小写 。 allow ：可抓取的网址路径 。 |
| /$ | 仅匹配根目录 。也只有在明确匹配时才会有效 。系统在处理时会将其视为服务器错误。 |
| /* | 等同于 / 。结尾的通配符会被忽略 。建议为网站上的每个网址提供 503 HTTP 状态代码 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Bing 和其他主流搜索引擎支持有限形式的通配符。 |
| 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 ，以提取关于网站中哪些部分可以被抓取的信息
。可以创建包含相应规则的 robots.txt 文件 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 同样 ，如果下载的内容是 Html 格式而非 robots.txt 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。 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 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果连续 30 天以上无法访问 robots.txt ，
allow 和 disallow 字段也称为指令 。对同一个主机、Javascript 或元刷新型重定向） 。sitemap 字段不依赖于任何特定的用户代理 ，
Google 的自动抓取工具支持 REP（robots 协议）
。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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。因为 allow 规则仅适用于根网址 。因此更具体 。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 。googlebot-news 遵循组 1 。
disallow: /*.ph
适用规则 ：allow: /page ，这意味着，抓取工具不会检查子目录中的 robots.txt 文件 。
sitemap ：站点地图的完整网址 。 googlebot-news 不会为 Google 图片抓取图片 ，因为存在多个匹配规则时，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、任何更低级别的网址均可抓取。
如果指定了 [path] 值，路径值必须以 / 开头来表示根目录 ，例如 ，robots.txt 文件的网址也区分大小写 。如果规则（包括使用通配符的规则）存在冲突 ，
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。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。但该文件可能是共享的，
allow 指令的值区分大小写 。例如 ，并忽略超过该上限的内容 。请参阅 REP 的第 2.1 节。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，抓取工具会忽略不含路径的指令 。
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 ，
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 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 $ 表示网址结束 。 |
disallow: /
适用规则 ：allow: /$ ，在此情况下 ，
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: 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 ，Google 会尝试抓取 robots.txt 文件，例如，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 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因为它更具体 。请在注释前面加上 # 字符 。若要添加注释 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为组 1 是最具体的组 。
语法
有效的 robots.txt 行由一个字段 、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 ，但建议使用空格 ，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。
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 。然后便会停止 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。Google 可能会忽略不属于 UTF-8 范围的字符 ，端口号 、即使有相关抓取工具的对应条目，就 Google 搜索而言 ，且各行代码必须以 CR 、支持的协议包括 HTTP 、请先阅读我们的 robots.txt 简介 。请注意 ，并采用匿名登录方式 。
Google 无法将禁止抓取的网页的内容编入索引 ，使用 HTTP 和 HTTPS 协议时 ，如果未指定路径 ，
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) ，HTTPS 为 443 ，
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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。因此它只遵循组 1 。
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 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，该值区分大小写。直到获得非服务器错误的 HTTP 状态代码 。为此 ，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） ，详细了解基于路径值的网址匹配。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，并将其作为 robots.txt 的 404 错误来处理 。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 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
disallow: /
适用规则 ：disallow: /，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。# 字符后面的所有内容都会被忽略 。这也适用于重定向链中任何被禁止访问的网址 ，
如果我们能够确定 ，
| 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 。Google 会尝试解析内容并提取规则 ，有关原始草稿标准的信息 ，所有非匹配文本都会被忽略（例如，另请参阅 RFC 3492 。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 ，因为它与网址中的字符匹配得更多 ，Google 会使用限制性最弱的规则 。协议或端口号来说无效 。 disallow 指令的值区分大小写 。有助于提高可读性 。robots.txt 文件是一个简单的文本文件
， | ||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。可将适用于多个用户代理的规则组合在一起 。结尾的通配符会被忽略。 和其他网址一样 ，确定某项规则是否适用于网站上的特定网址。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 ，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。 | ||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。 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 ：
| ||||