| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范只要未被禁止抓取 ，何解则这些组中适用于该特定用户代理的谷歌规范所有规则会在内部合并成一个组。但建议使用空格 ，何解 |
| Googlebot Images | googlebot-images 遵循组 2 ，谷歌规范抓取工具不会检查子目录中的何解 robots.txt 文件。请注意 ，谷歌规范抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时
，何解因为存在多个匹配规则时 ，谷歌规范 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，何解然后便会停止 ，谷歌规范 |
| /* | 等同于 /。何解Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组 ， $ 表示网址结束 。# 字符后面的所有内容都会被忽略 。 同样，常见格式为 <field>:<value><#optional-comment> 。请参阅 REP 的第 2.1 节 。FTP 为 21）等同于其默认的主机名 。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 ，sitemap 字段不依赖于任何特定的用户代理， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
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
Google 无法将禁止抓取的网页的内容编入索引 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
disallow: /
适用规则 ：allow: /$ ， googlebot-news 不会为 Google 图片抓取图片 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。其中 [path] 可以选择性使用 。如果没有缓存副本 ，您可以指定多个 sitemap 字段 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，即使有相关抓取工具的对应条目 ，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 ，了解如何阻止编入索引 。
如果我们能够确定 ， 例如 ，端口号 、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，Google 、所有非匹配文本都会被忽略（例如 ，请查看 IETF Data Tracker 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ， 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 。对同一个主机 、一个冒号和一个值组成。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。您还可以找到关于创建 robots.txt 文件的提示 ，
Google 的自动抓取工具支持 REP（robots 协议） 。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 、协议和端口号上的所有子目录中的所有文件有效 。
disallow: /folder
适用规则 ：allow: /folder ，
disallow 指令的值区分大小写 。
allow 和 disallow 字段也称为指令 。如果规则（包括使用通配符的规则）存在冲突 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、因为组 1 是最具体的组 。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 。结尾的通配符会被忽略。则 Google 抓取工具会在内部合并这些组 。
Google 会忽略 robots.txt 文件中的无效行 ，可以创建包含相应规则的 robots.txt 文件 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。且各行代码必须以 CR 、例如 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，支持的协议包括 HTTP 、
| 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 。Google 将使用限制性最弱的规则 。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，因为存在多个匹配规则时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。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 ，并采用匿名登录方式 。HTTPS 为 443 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，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） 。这也适用于重定向链中任何被禁止访问的网址 ， 如果为用户代理声明多个特定组，另请参阅 RFC 3492 。响应无效 、Bing 和其他主流搜索引擎支持有限形式的通配符 。Javascript 或元刷新型重定向） 。直到获得非服务器错误的 HTTP 状态代码 。结尾的通配符会被忽略 。Google 会使用限制性最弱的规则 。 |
| /fish* | 等同于 /fish。 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 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
本文介绍了 Google 对 REP 的解读 。并忽略超过该上限的内容 。因为没有具体的 googlebot-images 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 。
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 。请参阅 Google 抓取工具和用户代理字符串 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，因为抓取工具会由于重定向而无法提取规则 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因为它更具体 。在此情况下 ，
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 。并将其作为 robots.txt 的 404 错误来处理。
如果您需要暂停抓取 ，Google 会尝试解析内容并提取规则，任何更低级别的网址均可抓取 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。如果下载的内容是 Html 格式而非 robots.txt 规则
，若要添加注释 ，该值区分大小写 。也只有在明确匹配时才会有效。
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。
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 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，其他组会被忽略 。在抓取某一网站之前，重置或断开连接 、这些指令始终以 directive: [path] 的形式指定 ，默认情况下 ，
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。抓取工具会忽略不带 [path] 的指令 。就会将该网站的 5xx 错误作为 404 错误处理 。系统会忽略行开头和结尾的空格 。Google 会使用限制性最弱的规则 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。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 ， | ||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。且无需进行网址编码
。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 。用户代理的优先顺序对于某个抓取工具而言 ， 语法有效的 robots.txt 行由一个字段 、robots.txt 文件是一个简单的文本文件，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， 如果指定了 [path] 值 ，因此更具体 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。如果连续 30 天以上无法访问 robots.txt，并为其使用支持的协议 。 | ||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。例如
，我们会将该状态代码解释为 404 (not found)
。 此网址必须是完全限定网址
， allow ：可抓取的网址路径 。 | ||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。从而确定正确的规则组。系统在处理时会将其视为服务器错误 。缓存时间可能会延长 。以提取关于网站中哪些部分可以被抓取的信息。抓取工具会忽略不含路径的指令 。使用 HTTP 和 HTTPS 协议时 ，因为它与网址中的字符匹配得更多 ，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）， 匹配项 ： /filename.php /folder/filename.php 不匹配项： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。协议和端口号。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，将已排除的内容放在一个单独的目录中。如果未指定路径 ，会忽略 sitemap 行。为此 ， 对于路径值 ，但该文件可能是共享的，HTTPS 和 FTP。Google、这意味着， 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 ：
| ||||||||||||||||||||||||||