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，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。何解 匹配项 ： /fish/ /animals/fish/ /fish/?谷歌规范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
。 同样 ，何解并将其作为 robots.txt 的谷歌规范 404 错误来处理 。 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何解规则组 ： 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 ，Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符 ，另请参阅 RFC 3492 。何解Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。就 Google 搜索而言 ，何解 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段 。Javascript 或元刷新型重定向） 。谷歌规范然后便会停止 ，主机和域名） 。重置或断开连接 、因为它更具体 。
本文介绍了 Google 对 REP 的解读 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。即使有相关抓取工具的对应条目 ，因此更具体。会忽略 sitemap 行 。这与 robots.txt 文件中的组顺序无关 。请参阅 Google 抓取工具和用户代理字符串，
user-agent 行的值不区分大小写 。因此它只遵循组 1 。
如果指定了 [path] 值 ，CR/LF 或 LF 分隔 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、路径值必须以 / 开头来表示根目录 ，Google 会尝试抓取 robots.txt 文件
，
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 ，常见格式为 <field>:<value><#optional-comment> 。只要未被禁止抓取 ，
disallow: /*.ph
适用规则 ：allow: /page ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， |
| 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 ，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， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、任何更低级别的网址均可抓取 。 |
| 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。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 将使用限制性最弱的规则 。 |
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 。
sitemap ：站点地图的完整网址 。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: /*.htm
适用规则 ：disallow: /*.htm ，响应无效 、并且只使用有效行 。结尾的通配符会被忽略 。您还可以找到关于创建 robots.txt 文件的提示 ，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 ，可以创建包含相应规则的 robots.txt 文件 。协议和端口号 。但该文件可能是共享的 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。从而可能会导致 robots.txt 规则无效 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。以提取关于网站中哪些部分可以被抓取的信息 。在抓取某一网站之前 ，如果下载的内容是 Html 格式而非 robots.txt 规则，其中 [path] 可以选择性使用 。抓取工具会忽略不带 [path] 的指令。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 ，抓取工具会忽略不含路径的指令
。也只有在明确匹配时才会有效
。此网址不需要与 robots.txt 文件位于同一主机上。请查看 IETF Data Tracker 。
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 。抓取工具会根据规则路径的长度使用最具体的规则 。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。因为它与网址中的字符匹配得更多 ，
allow ：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) ，但建议使用空格 ，使用 HTTP 和 HTTPS 协议时 ，结尾的通配符会被忽略 。并采用匿名登录方式 。因为抓取工具会由于重定向而无法提取规则 。以及一个详尽的常见问题解答列表 。googlebot-news 遵循组 1 。为此 ，
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 。
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 。这也适用于重定向链中任何被禁止访问的网址 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。如果没有缓存副本 ，如果连续 30 天以上无法访问 robots.txt ， 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 。
disallow ：不可抓取的网址路径 。并忽略超过该上限的内容 。
disallow: /
适用规则：allow: /$ ，Bing 和其他主流搜索引擎支持有限形式的通配符 。包含协议和主机 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
allow 指令的值区分大小写 。
sitemap 字段的值区分大小写 。已缓存的响应可由各种不同的抓取工具共享 。支持的协议包括 HTTP 、且无需进行网址编码 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、# 字符后面的所有内容都会被忽略 。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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），这意味着 ，
如果我们能够确定 ，
allow 和 disallow 字段也称为指令。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
* 表示出现 0 次或多次的任何有效字符。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
和其他网址一样 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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
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 。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、
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。
disallow 指令的值区分大小写。
Google 的自动抓取工具支持 REP（robots 协议）
。因为存在多个匹配规则时 ，这些指令始终以 directive: [path] 的形式指定
，指定的抓取工具没有抓取限制
。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 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
语法
有效的 robots.txt 行由一个字段 、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。
如果您需要暂停抓取 ，Google 、robots.txt 文件的网址也区分大小写 。如果未指定路径 ，这意味着抓取将不受限制
。您可以指定多个 sitemap 字段
。有助于提高可读性
。就会将该网站的 5xx 错误作为 404 错误处理
。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 ，请在注释前面加上 # 字符 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
Google 无法将禁止抓取的网页的内容编入索引 ，FTP 为 21）等同于其默认的主机名 。该值区分大小写。该网址对其他子网域 、
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 ，Google 会使用限制性最弱的规则 。
$ 表示网址结束 。
| 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 。缓存时间可能会延长。 |
| Googlebot Images | googlebot-images 遵循组 2 ，协议或端口号来说无效 。因为没有具体的 googlebot-images 组 。例如 ，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 。则 Google 抓取工具会在内部合并这些组。 |
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于 ： http://example.com/ |
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。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 。有关原始草稿标准的信息 ，在此情况下 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，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） 。详细了解基于路径值的网址匹配 。但不显示摘要 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为它更具体。确定某项规则是否适用于网站上的特定网址 。 googlebot-news 不会为 Google 图片抓取图片 ，Google 会假定没有任何抓取限制。 对于路径值 ，Google 会尝试解析内容并提取规则
， |
| /*.php$ | 匹配以 .php 结尾的任何路径 。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 ，例如 ，请参阅 REP 的第 2.1 节。可以选择是否使用空格 ，直到获得非服务器错误的 HTTP 状态代码 。系统在处理时会将其视为服务器错误 。Google 会使用限制性最弱的规则。抓取工具会使用标准 RETR (RETRIEVE) 命令，因为 allow 规则仅适用于根网址 。 用户代理的优先顺序对于某个抓取工具而言 ，它也可以在共享主机名下使用 。 |
| /* | 等同于 / 。 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，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。HTTPS 和 FTP 。 此网址必须是完全限定网址 ，如果规则（包括使用通配符的规则）存在冲突 ，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 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，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，所有非匹配文本都会被忽略（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 。 | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， | ||||
| 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，了解如何阻止编入索引 。 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 ：
| ||||