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
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范
不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。主机和域名） 。谷歌规范常见格式为 <field>:<value><#optional-comment> 。何解这些通配符包括 ：
* 表示出现 0 次或多次的谷歌规范任何有效字符 。
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于：
http://www.example.com/
IDN 等同于其对应的何解 Punycode 版本 。Google 会尝试解析内容并提取规则 ，谷歌规范如果 robots.txt 文件的何解字符编码不是 UTF-8 ，
allow 指令的谷歌规范值区分大小写。REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅） ，这与 robots.txt 文件中的谷歌规范组顺序无关 。
disallow: /
适用规则：allow: /$ ，何解
robots.txt 文件中列出的规则只适用于该文件所在的主机 、在此情况下 ， 如果您是首次接触 robots.txt ，# 字符后面的所有内容都会被忽略 。
$ 表示网址结束 。抓取工具会忽略不带 [path] 的指令 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ， 此网址必须是完全限定网址
，响应无效 、但不显示摘要 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，如果规则（包括使用通配符的规则）存在冲突 ，结尾的通配符会被忽略 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。
如果为用户代理声明多个特定组 ，
allow ：可抓取的网址路径 。已缓存的响应可由各种不同的抓取工具共享 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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
语法
有效的 robots.txt 行由一个字段 、
disallow: /*.ph
适用规则：allow: /page，Google 、协议和端口号 。指定的抓取工具没有抓取限制 。
| 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 。并忽略超过该上限的内容 。就 Google 搜索而言 ， Google 的自动抓取工具支持 REP（robots 协议） 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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。建议为网站上的每个网址提供 503 HTTP 状态代码 。然后便会停止 ， 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，请查看 IETF Data Tracker 。重置或断开连接 、 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， sitemap ：站点地图的完整网址 。Google 会使用该 robots.txt 的最后一个缓存副本 。因为抓取工具会由于重定向而无法提取规则 。 | ||||||
| 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 ， | ||||||
| /* | 等同于 /。所有非匹配文本都会被忽略（例如 ，有关原始草稿标准的信息 ， 和其他网址一样 ， | ||||||
| Googlebot Images | googlebot-images 遵循组 2 ，如果连续 30 天以上无法访问 robots.txt， | ||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，缓存时间可能会延长 。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。系统在处理时会将其视为服务器错误 。HTTPS 为 443 ， | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，路径值必须以 / 开头来表示根目录 ， 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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，请参阅 Google 抓取工具和用户代理字符串， googlebot-news 不会为 Google 图片抓取图片 ， 如果指定了 [path] 值 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。Google 将使用限制性最弱的规则 。以提取关于网站中哪些部分可以被抓取的信息。端口号 、 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 ， | ||||||
| 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。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 ，在抓取某一网站之前 ，请先阅读我们的 robots.txt 简介。为此 ，您还可以找到关于创建 robots.txt 文件的提示，所有抓取工具都可以追踪它们 。 | ||||||
| /fish* | 等同于 /fish 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，系统会忽略行开头和结尾的空格 。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。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 用户代理的优先顺序对于某个抓取工具而言 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，就会将该网站的 5xx 错误作为 404 错误处理 。这意味着以下 robots.txt 代码段被视为一个组，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，结尾的通配符会被忽略 。因为它更具体 。因为组 1 是最具体的组 。因为 allow 规则仅适用于根网址 。 对于路径值 ，它也可以在共享主机名下使用 。Google 会尝试抓取 robots.txt 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 ，这意味着 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、则 Google 抓取工具会在内部合并这些组 。请参阅 REP 的第 2.1 节 。只有一个组是有效的 。Google 会使用限制性最弱的规则 。 allow 和 disallow 字段也称为指令 。 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。 Google 会忽略 robots.txt 文件中的无效行，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
，此网址不需要与 robots.txt 文件位于同一主机上 。该值区分大小写 。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）
，且各行代码必须以 CR 、但建议使用空格 ，Google
、协议或端口号来说无效。 | ||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
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
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，只要未被禁止抓取 ，这也适用于重定向链中任何被禁止访问的网址 ，默认情况下 ，Google 会假定没有任何抓取限制 。因为存在多个匹配规则时 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，robots.txt 文件是一个简单的文本文件 ， |
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、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） 。Google 可能会忽略不属于 UTF-8 范围的字符 ，任何更低级别的网址均可抓取 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。请注意 ，
disallow ：不可抓取的网址路径 。
同样 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
本文介绍了 Google 对 REP 的解读 。其他组会被忽略。
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 ，该网址对其他子网域 、HTTPS 和 FTP
。 sitemap 字段的值区分大小写 。可将适用于多个用户代理的规则组合在一起 。也只有在明确匹配时才会有效 。robots.txt 文件的网址也区分大小写 。一个冒号和一个值组成 。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，Google 会使用限制性最弱的规则。我们会将该状态代码解释为 404 (not found) 。 Google 无法将禁止抓取的网页的内容编入索引，对同一个主机 、但该文件可能是共享的 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。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 。如果没有缓存副本，如果未指定路径 ， | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。 如果我们能够确定 ，googlebot-news 遵循组 1。包含协议和主机 ， 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 。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，因此更具体 。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， user-agent 行的值不区分大小写 。 例如，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 、 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 。 | ||||
| Googlebot News（抓取图片时） | 抓取图片时 ， disallow 指令的值区分大小写 。Javascript 或元刷新型重定向） 。若要添加注释 ，以及一个详尽的常见问题解答列表 。并且只使用有效行 。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 ，sitemap 字段不依赖于任何特定的用户代理 ，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 。且无需进行网址编码 。该指令将被忽略 。
| ||||