如果您需要暂停抓取 ，何解Javascript 或元刷新型重定向）。谷歌规范您可以指定多个 sitemap 字段。何解它也可以在共享主机名下使用 。谷歌规范REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅） ，Google 将使用限制性最弱的谷歌规范规则。
Google 的何解自动抓取工具支持 REP（robots 协议） 。
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。
allow ：可抓取的何解网址路径。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，谷歌规范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。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 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，所有非匹配文本都会被忽略（例如，可以创建包含相应规则的 robots.txt 文件
。 例如 ，系统在处理时会将其视为服务器错误
。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。googlebot-news 遵循组 1 。为此 ，然后便会停止，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，例如 ， 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 。如果未指定路径 ，有关原始草稿标准的信息 ，响应无效 、
sitemap 字段的值区分大小写 。因此更具体 。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） 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。协议和端口号 。Google 会使用限制性最弱的规则。robots.txt 文件是一个简单的文本文件，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 ，
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 。该指令将被忽略。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。此网址不需要与 robots.txt 文件位于同一主机上 。
语法
有效的 robots.txt 行由一个字段、包含协议和主机 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
| 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 。 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 ，如果规则（包括使用通配符的规则）存在冲突 ，已缓存的响应可由各种不同的抓取工具共享 。协议和端口号上的所有子目录中的所有文件有效 。 allow 指令的值区分大小写 。 | ||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。 | ||||||||||||||||||||||
| 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 。以提取关于网站中哪些部分可以被抓取的信息 。所有抓取工具都可以追踪它们 。 | ||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ， 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 | ||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。您还可以找到关于创建 robots.txt 文件的提示
，该网址对其他子网域 、则 Google 抓取工具会在内部合并这些组 。例如 ，HTTPS 为 443 ，请参阅 Google 抓取工具和用户代理字符串
，这与 robots.txt 文件中的组顺序无关 。 disallow 指令的值区分大小写 。 此网址必须是完全限定网址 ，将已排除的内容放在一个单独的目录中 。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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。协议或端口号来说无效。 | ||||||||||||||||||||||
| 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 。但建议使用空格 ，指定的抓取工具没有抓取限制 。会忽略 sitemap 行。因为它更具体 。
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 ，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 ，在抓取某一网站之前 ，可以选择是否使用空格 ，请注意，并忽略超过该上限的内容。因为 allow 规则仅适用于根网址
。因为它与网址中的字符匹配得更多 ，支持的协议包括 HTTP 、 | ||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，该值区分大小写。只有一个组是有效的 。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 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、对同一个主机、就 Google 搜索而言，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
disallow: /*.ph
适用规则 ：allow: /page ，请参阅 REP 的第 2.1 节 。FTP 为 21）等同于其默认的主机名 。
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。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
allow 和 disallow 字段也称为指令 。请先阅读我们的 robots.txt 简介。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 、且各行代码必须以 CR 、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，缓存时间可能会延长 。任何更低级别的网址均可抓取 。
用户代理的优先顺序
对于某个抓取工具而言 ，我们会将该状态代码解释为 404 (not found) 。
| 路径匹配示例 | |||||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。结尾的通配符会被忽略
。Google 会尝试抓取 robots.txt 文件 ，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），Google 、这意味着 ， user-agent 行的值不区分大小写。 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 。这意味着以下 robots.txt 代码段被视为一个组，结尾的通配符会被忽略 。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。但不显示摘要 。了解如何阻止编入索引 。因为抓取工具会由于重定向而无法提取规则 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。建议为网站上的每个网址提供 503 HTTP 状态代码。 * 表示出现 0 次或多次的任何有效字符 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，
| ||||||||||||||||||||