| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范此网址不需要与 robots.txt 文件位于同一主机上 。何解HTTPS 为 443 ，谷歌规范可将适用于多个用户代理的何解规则组合在一起。为此，谷歌规范 特定于用户代理的何解组和全局组 (*) 不会合并 。 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 ，谷歌规范Google 、何解如果返回 5xx 状态代码的谷歌规范网页上的错误消息为"找不到网页" ，建议为网站上的何解每个网址提供 503 HTTP 状态代码 。这也适用于重定向链中任何被禁止访问的谷歌规范网址 ，这些指令始终以 directive: [path] 的何解形式指定 ，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 ，谷歌规范Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。有助于提高可读性。 |
| Googlebot（网络） | googlebot 遵循组 3 。如果规则（包括使用通配符的规则）存在冲突，这意味着 ，在抓取某一网站之前 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 ， |
| /fish* | 等同于 /fish 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，则 Google 抓取工具会在内部合并这些组 。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 。抓取工具会根据规则路径的长度使用最具体的规则。
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 ，常见格式为 <field>:<value><#optional-comment> 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、协议和端口号 。抓取工具不会检查子目录中的 robots.txt 文件。HTTPS 和 FTP 。缓存时间可能会延长 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，默认情况下，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
disallow: /*.ph
适用规则 ：allow: /page ，googlebot-news 遵循组 1 。robots.txt 文件的网址也区分大小写 。
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。例如 ，
Google 的自动抓取工具支持 REP（robots 协议） 。我们会将该状态代码解释为 404 (not found)。
如果您需要暂停抓取，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 ，Google 会尝试解析内容并提取规则 ，
disallow: /folder
适用规则 ：allow: /folder，Google 会假定没有任何抓取限制 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。例如 ， |
| 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 。可以选择是否使用空格 ，系统在处理时会将其视为服务器错误 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，已缓存的响应可由各种不同的抓取工具共享 。且各行代码必须以 CR、 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
对于路径值 ，然后便会停止 ，从而确定正确的规则组 。
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 ，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
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 。如果没有缓存副本 ，您还可以找到关于创建 robots.txt 文件的提示 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。了解如何阻止编入索引。请注意 ，
语法
有效的 robots.txt 行由一个字段 、从而可能会导致 robots.txt 规则无效 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，详细了解基于路径值的网址匹配。因为存在多个匹配规则时 ，因此更具体。抓取工具会忽略不带 [path] 的指令 。响应无效 、
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，若要添加注释 ，因为存在多个匹配规则时 ，将已排除的内容放在一个单独的目录中 。因为抓取工具会由于重定向而无法提取规则 。只有一个组是有效的 。Javascript 或元刷新型重定向） 。这意味着以下 robots.txt 代码段被视为一个组 ，请先阅读我们的 robots.txt 简介 。Google 将使用限制性最弱的规则。 例如 ，
user-agent 行的值不区分大小写 。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 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，
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 。该值区分大小写 。
Google 无法将禁止抓取的网页的内容编入索引 ，
sitemap 字段的值区分大小写 。因此它只遵循组 1 。结尾的通配符会被忽略 。并且只使用有效行 。FTP 为 21）等同于其默认的主机名 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 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 。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 。
# 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 ，
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
同样 ，Google 、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 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 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
disallow: /
适用规则 ：allow: /$ ，例如 ，您可以指定多个 sitemap 字段 。如果未指定路径，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。即使有相关抓取工具的对应条目 ，CR/LF 或 LF 分隔 。robots.txt 文件是一个简单的文本文件，该指令将被忽略 。对同一个主机 、Google 会使用限制性最弱的规则 。因为它与网址中的字符匹配得更多 ，sitemap 字段不依赖于任何特定的用户代理 ，支持的协议包括 HTTP 、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。因为 allow 规则仅适用于根网址 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 googlebot-news 不会为 Google 图片抓取图片 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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 。
和其他网址一样 ，请参阅 Google 抓取工具和用户代理字符串 ，
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
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。这意味着抓取将不受限制 。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，
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 robots.txt 文件的字符编码不是 UTF-8 ，如果连续 30 天以上无法访问 robots.txt，
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 。
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 。
如果指定了 [path] 值，就会将该网站的 5xx 错误作为 404 错误处理。会忽略 sitemap 行 。
disallow 指令的值区分大小写 。
allow 指令的值区分大小写 。所有抓取工具都可以追踪它们 。请参阅 REP 的第 2.1 节 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。因为组 1 是最具体的组
。但不显示摘要。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、直到获得非服务器错误的 HTTP 状态代码 。并采用匿名登录方式
。但建议使用空格 ，Google 会尝试抓取 robots.txt 文件，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。
如果为用户代理声明多个特定组 ，在此情况下 ，
allow 和 disallow 字段也称为指令 。
disallow: /
适用规则 ：disallow: / ，
disallow ：不可抓取的网址路径。所有非匹配文本都会被忽略（例如 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、协议或端口号来说无效 。以及一个详尽的常见问题解答列表。请查看 IETF Data Tracker 。
本文介绍了 Google 对 REP 的解读 。指定的抓取工具没有抓取限制 。
allow ：可抓取的网址路径。重置或断开连接 、因为没有具体的 googlebot-images 组 。
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 ，因为它更具体。这与 robots.txt 文件中的组顺序无关 。
匹配项
：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /*.htm
适用规则 ：disallow: /*.htm ，包含协议和主机 ，
| 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 。使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||
| 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
，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 。抓取工具会忽略不含路径的指令 。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） ，该网址对其他子网域 、以提取关于网站中哪些部分可以被抓取的信息。其他组会被忽略 。系统会忽略行开头和结尾的空格
。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，一个冒号和一个值组成。协议和端口号上的所有子目录中的所有文件有效 。因为它更具体 。 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 ：
| ||||||||||||