匹配项：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
disallow: /
适用规则 ：disallow: /，谷歌规范
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。何解因此更具体。谷歌规范
如果您需要暂停抓取 ，何解这意味着以下 robots.txt 代码段被视为一个组 ，谷歌规范默认情况下，何解
什么是谷歌规范 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 ，一个冒号和一个值组成 。何解协议或端口号来说无效 。谷歌规范如果规则（包括使用通配符的规则）存在冲突，
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 。如果 robots.txt 文件的字符编码不是 UTF-8，
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 。指定的抓取工具没有抓取限制 。协议和端口号上的所有子目录中的所有文件有效 。有助于提高可读性 。
本文介绍了 Google 对 REP 的解读 。常见格式为 <field>:<value><#optional-comment> 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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。详细了解基于路径值的网址匹配 。在抓取某一网站之前 ，
| 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 。 |
| Googlebot（网络） | googlebot 遵循组 3 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 |
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 。robots.txt 文件是一个简单的文本文件 ，系统会忽略行开头和结尾的空格。
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 ，Javascript 或元刷新型重定向） 。
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
， 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 ，Google 会尝试抓取 robots.txt 文件 ， | ||||||||
| 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。 | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，因为 allow 规则仅适用于根网址 。只要未被禁止抓取 ，对同一个主机 、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， | ||||||||
| 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 ，所有非匹配文本都会被忽略（例如
，抓取工具会忽略不含路径的指令
。从而可能会导致 robots.txt 规则无效。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 、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 Google 无法将禁止抓取的网页的内容编入索引 ，因为存在多个匹配规则时 ，Google 会使用限制性最弱的规则 。 | ||||||||
| 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，sitemap 字段不依赖于任何特定的用户代理，并忽略超过该上限的内容 。 | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时，直到获得非服务器错误的 HTTP 状态代码 。 匹配项 ： /fish/ /animals/fish/ /fish/?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。所有抓取工具都可以追踪它们 。重置或断开连接 、用户代理的优先顺序对于某个抓取工具而言 ，CR/LF 或 LF 分隔 。结尾的通配符会被忽略。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， 此网址必须是完全限定网址 ，这也适用于重定向链中任何被禁止访问的网址 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，请在注释前面加上 # 字符 。然后便会停止，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，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 。它也可以在共享主机名下使用 。 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 | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。Bing 和其他主流搜索引擎支持有限形式的通配符 。语法有效的 robots.txt 行由一个字段、 disallow ：不可抓取的网址路径 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Google 会使用限制性最弱的规则 。如果连续 30 天以上无法访问 robots.txt ，则 Google 抓取工具会在内部合并这些组 。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。可以选择是否使用空格 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、该值区分大小写 。例如 ， 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://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 。并且只使用有效行 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，请注意 ，在此情况下 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。会忽略 sitemap 行 。将已排除的内容放在一个单独的目录中 。协议和端口号 。并采用匿名登录方式 。 allow ：可抓取的网址路径 。您还可以找到关于创建 robots.txt 文件的提示， | ||||||||
| /fish* | 等同于 /fish 。只有一个组是有效的 。 | ||||||||
| 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 ，请参阅 Google 抓取工具和用户代理字符串 ，以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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）， 同样 ， 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。HTTPS 和 FTP 。 如果为用户代理声明多个特定组 ，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 ，有关原始草稿标准的信息 ，# 字符后面的所有内容都会被忽略 。 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 。已缓存的响应可由各种不同的抓取工具共享 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，了解如何阻止编入索引 。Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。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 状态代码在请求 robots.txt 文件时 ，请查看 IETF Data Tracker 。如果没有缓存副本 ，因为存在多个匹配规则时，但该文件可能是共享的 ，您可以指定多个 sitemap 字段 。其中 [path] 可以选择性使用 。就会将该网站的 5xx 错误作为 404 错误处理 。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，并将其作为 robots.txt 的 404 错误来处理 。 | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、主机和域名）
。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因为它与网址中的字符匹配得更多
，缓存时间可能会延长 。 和其他网址一样，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。响应无效 、也只有在明确匹配时才会有效。 | ||||||||
| /* | 等同于 / 。我们会将该状态代码解释为 404 (not found)
。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）。 allow 和 disallow 字段也称为指令。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，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，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。 | ||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，即使有相关抓取工具的对应条目 ，
对于路径值 ，googlebot-news 遵循组 1 。任何更低级别的网址均可抓取 。这意味着抓取将不受限制 。请先阅读我们的 robots.txt 简介 。
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 ，
| 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 。抓取工具会根据规则路径的长度使用最具体的规则 。Google 会尝试解析内容并提取规则，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 ， disallow 指令的值区分大小写。如果未指定路径 ， 特定于用户代理的组和全局组 (*) 不会合并 。
| ||||||||||||