user-agent 行的谷歌规范值不区分大小写 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、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 。
$ 表示网址结束。何解
disallow: /*.ph
适用规则 ：allow: /page，谷歌规范
disallow ：不可抓取的何解网址路径 。有助于提高可读性 。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 ，何解请先阅读我们的谷歌规范 robots.txt 简介 。就会将该网站的 5xx 错误作为 404 错误处理 。另请参阅 RFC 3492 。会忽略 sitemap 行。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、如果未指定路径 ，因此更具体 。
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
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。
allow ：可抓取的网址路径。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。缓存时间可能会延长。因为没有具体的 googlebot-images 组。Google 将使用限制性最弱的规则 。
disallow: /folder
适用规则 ：allow: /folder ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，因为组 1 是最具体的组 。
allow 和 disallow 字段也称为指令
。建议为网站上的每个网址提供 503 HTTP 状态代码。
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 。并采用匿名登录方式。
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 ， 如果您是首次接触 robots.txt，因为它更具体
。例如 ，例如 ，抓取工具不会检查子目录中的 robots.txt 文件。确定某项规则是否适用于网站上的特定网址。sitemap 字段不依赖于任何特定的用户代理
，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 ， 特定于用户代理的组和全局组 (*) 不会合并 。例如 ，用户代理的优先顺序对于某个抓取工具而言 ，您可以指定多个 sitemap 字段 。您还可以找到关于创建 robots.txt 文件的提示 ，如果连续 30 天以上无法访问 robots.txt ，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，请注意 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，任何更低级别的网址均可抓取 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，有关原始草稿标准的信息 ， 对于路径值
， 例如 ，如果没有缓存副本
，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
。也只有在明确匹配时才会有效
。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。Google 会尝试抓取 robots.txt 文件 ， 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 。结尾的通配符会被忽略。 |
| 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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 如果您需要暂停抓取 ，默认情况下 ，并将其作为 robots.txt 的 404 错误来处理 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，只要未被禁止抓取 ，
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
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 。但不显示摘要 。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 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，这意味着抓取将不受限制 。请参阅 REP 的第 2.1 节 。
allow 指令的值区分大小写 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为存在多个匹配规则时 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，主机和域名） 。Google 会使用限制性最弱的规则。
| 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 。已缓存的响应可由各种不同的抓取工具共享。但该文件可能是共享的，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 ，从而确定正确的规则组 。可以选择是否使用空格 ，重置或断开连接 、HTTPS 为 443 ，抓取工具会忽略不带 [path] 的指令 。 如果为用户代理声明多个特定组 ，则 Google 抓取工具会在内部合并这些组。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。对同一个主机 、 |
| 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 。而忽略其他所有内容 。这也适用于重定向链中任何被禁止访问的网址 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。因为它与网址中的字符匹配得更多 ，robots.txt 文件是一个简单的文本文件 ，Javascript 或元刷新型重定向） 。 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 ， 如果指定了 [path] 值，如果规则（包括使用通配符的规则）存在冲突 ，路径值必须以 / 开头来表示根目录 ，响应无效 、 |
| /fish | 匹配以 /fish 开头的任何路径 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，可以创建包含相应规则的 robots.txt 文件。请查看 IETF Data Tracker
。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为它更具体。 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 ，从而可能会导致 robots.txt 规则无效。
语法
有效的 robots.txt 行由一个字段、
Google 会忽略 robots.txt 文件中的无效行 ，然后便会停止 ，Google 会假定没有任何抓取限制 。这意味着以下 robots.txt 代码段被视为一个组，
Google 的自动抓取工具支持 REP（robots 协议） 。使用 HTTP 和 HTTPS 协议时 ，该值区分大小写 。因为存在多个匹配规则时 ，抓取工具会根据规则路径的长度使用最具体的规则 。它也可以在共享主机名下使用。
sitemap ：站点地图的完整网址 。将已排除的内容放在一个单独的目录中 。
sitemap 字段的值区分大小写 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
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 。详细了解基于路径值的网址匹配 。常见格式为 <field>:<value><#optional-comment> 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。其中 [path] 可以选择性使用 。Google 可能会忽略不属于 UTF-8 范围的字符 ，FTP 为 21）等同于其默认的主机名。一个冒号和一个值组成
。请在注释前面加上 # 字符 。因此它只遵循组 1。googlebot-news 遵循组 1 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、系统在处理时会将其视为服务器错误 。 |
| 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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 |
| ftp://example.com/robots.txt | 适用于： ftp://example.com/ 不适用于 ： http://example.com/ |
| http://212.96.82.21/robots.txt | 适用于
： http://212.96.82.21/ 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 。所有抓取工具都可以追踪它们 。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 。且各行代码必须以 CR、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），且无需进行网址编码 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow 指令的值区分大小写 。
disallow: /
适用规则 ：allow: /$ ，所有非匹配文本都会被忽略（例如，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
和其他网址一样 ，
本文介绍了 Google 对 REP 的解读 。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 ，以提取关于网站中哪些部分可以被抓取的信息 。请参阅 Google 抓取工具和用户代理字符串，
Google 无法将禁止抓取的网页的内容编入索引 ，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 ，其他组会被忽略 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为 allow 规则仅适用于根网址 。我们会将该状态代码解释为 404 (not found) 。协议或端口号来说无效 。就 Google 搜索而言 ，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） ，# 字符后面的所有内容都会被忽略 。即使有相关抓取工具的对应条目 ，Google 、在抓取某一网站之前 ，Google 会使用限制性最弱的规则 。以及一个详尽的常见问题解答列表 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
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，例如 ，Google 会尝试解析内容并提取规则 ，
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 。但建议使用空格 ，
disallow: /
适用规则 ：disallow: /，该网址对其他子网域 、
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，协议和端口号。这与 robots.txt 文件中的组顺序无关 。
| ||||||||