不适用于： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效 。并采用匿名登录方式。何解例如，谷歌规范
sitemap ：站点地图的何解完整网址 。所有非匹配文本都会被忽略（例如 ，谷歌规范googlebot-news 遵循组 1 。何解可以选择是谷歌规范否使用空格 ，
如果为用户代理声明多个特定组
，何解
匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写
。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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 ，这与 robots.txt 文件中的何解组顺序无关 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，谷歌规范为此 ，何解
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范结尾的通配符会被忽略 。
disallow: /folder
适用规则 ：allow: /folder ，
| 示例情况 | |||||||||||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， allow：可抓取的网址路径 。例如 ， 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。但建议使用空格 ， 如果指定了 [path] 值 ，因为存在多个匹配规则时
， | ||||||||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。 user-agent 行的值不区分大小写 。 | ||||||||||||||||||||||||||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2
。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。HTTPS 为 443，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。Bing 和其他主流搜索引擎支持有限形式的通配符 。其他组会被忽略。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 、 | ||||||||||||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。您还可以找到关于创建 robots.txt 文件的提示 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录
。支持的协议包括 HTTP
、 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 会使用限制性最弱的规则 。 例如 ，抓取工具会忽略不带 [path] 的指令 。这意味着以下 robots.txt 代码段被视为一个组 ，路径值必须以 / 开头来表示根目录 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，并将其作为 robots.txt 的 404 错误来处理 。了解如何阻止编入索引 。 | ||||||||||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page，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 。Google 会尝试抓取 robots.txt 文件，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。 如果您需要暂停抓取 ， | ||||||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，robots.txt 文件是一个简单的文本文件 ，则 Google 抓取工具会在内部合并这些组 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 $ 表示网址结束 。
Google 的自动抓取工具支持 REP（robots 协议） 。因为它更具体 。 | ||||||||||||||||||||||||||||||||||||||||
| 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，robots.txt 文件的网址也区分大小写 。这些指令始终以 directive: [path] 的形式指定 ，然后便会停止 ，只有一个组是有效的 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 | ||||||||||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。主机和域名） 。因为 allow 规则仅适用于根网址。使用 HTTP 和 HTTPS 协议时 ， googlebot-news 不会为 Google 图片抓取图片 ，响应无效 、 | ||||||||||||||||||||||||||||||||||||||||
| 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 ，缓存时间可能会延长
。并忽略超过该上限的内容 。因为没有具体的 googlebot-images 组。请注意
， 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 ，但不显示摘要。# 字符后面的所有内容都会被忽略 。并且只使用有效行 。 此网址必须是完全限定网址 ， 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 可能会忽略不属于 UTF-8 范围的字符，即使有相关抓取工具的对应条目 ，这意味着抓取将不受限制 。这意味着，抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||||||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
对于路径值 ，Javascript 或元刷新型重定向）。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） 。该指令将被忽略 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。详细了解基于路径值的网址匹配 。Google 抓取工具会下载并解析该网站的 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 ，包含协议和主机 ，该值区分大小写。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 。端口号 、其中 [path] 可以选择性使用 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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 ，有助于提高可读性 。CR/LF 或 LF 分隔 。 如果您是首次接触 robots.txt，请参阅 REP 的第 2.1 节 。抓取工具会忽略不含路径的指令。 特定于用户代理的组和全局组 (*) 不会合并 。所有抓取工具都可以追踪它们。就会将该网站的 5xx 错误作为 404 错误处理 。确定某项规则是否适用于网站上的特定网址 。 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 。 allow 和 disallow 字段也称为指令 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，用户代理的优先顺序对于某个抓取工具而言 ，Google 将使用限制性最弱的规则 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，只要未被禁止抓取 ， Google 无法将禁止抓取的网页的内容编入索引 ，Google 会尝试解析内容并提取规则 ，例如， 同样 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。且各行代码必须以 CR、 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，也只有在明确匹配时才会有效 。就 Google 搜索而言，如果未指定路径 ，从而确定正确的规则组 。
和其他网址一样 ，对同一个主机 、如果规则（包括使用通配符的规则）存在冲突 ，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 ，
语法
有效的 robots.txt 行由一个字段、
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