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 特定于用户代理的何解组和全局组 (*) 不会合并 。
如果指定了 [path] 值 ，谷歌规范
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的何解 robots.txt 只对该子网域有效 。也不适用于用来提高用户安全性的谷歌规范抓取工具（例如恶意软件分析） 。而忽略其他所有内容 。何解建议为网站上的谷歌规范每个网址提供 503 HTTP 状态代码。包含协议和主机 ，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。
Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB，
disallow 指令的谷歌规范值区分大小写 。
| 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 。 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
。# 字符后面的所有内容都会被忽略 。抓取工具会根据规则路径的长度使用最具体的规则。因为它更具体。 Google 的自动抓取工具支持 REP（robots 协议）。您可以指定多个 sitemap 字段。该值区分大小写。 和其他网址一样 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 、
对于路径值 ，
| 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 。一个冒号和一个值组成 。 disallow ：不可抓取的网址路径 。如果规则（包括使用通配符的规则）存在冲突，默认情况下 ，Google 、 | ||||||||||||||
| /fish* | 等同于 /fish
。 Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。此网址不需要与 robots.txt 文件位于同一主机上 。抓取工具不会检查子目录中的 robots.txt 文件 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这意味着 ， 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，并采用匿名登录方式 。可以创建包含相应规则的 robots.txt 文件。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因为存在多个匹配规则时，会忽略 sitemap 行 。 Google 无法将禁止抓取的网页的内容编入索引，这些指令始终以 directive: [path] 的形式指定 ，HTTPS 为 443 ，直到获得非服务器错误的 HTTP 状态代码。CR/LF 或 LF 分隔 。 | ||||||||||||||
| 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。这与 robots.txt 文件中的组顺序无关 。Google 会使用限制性最弱的规则 。请参阅 REP 的第 2.1 节 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。在此情况下 ， | ||||||||||||||
| 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 。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 ，并为其使用支持的协议 。503 (service unavailable) 错误会导致非常频繁的重试操作。 用户代理的优先顺序对于某个抓取工具而言 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，也只有在明确匹配时才会有效。 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 ，在抓取某一网站之前 ， | ||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 将使用限制性最弱的规则 。所有抓取工具都可以追踪它们 。则 Google 抓取工具会在内部合并这些组 。并忽略超过该上限的内容 。协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 | ||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 。 | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，其中 [path] 可以选择性使用 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，您还可以找到关于创建 robots.txt 文件的提示 ，这也适用于重定向链中任何被禁止访问的网址 ，Google 会尝试解析内容并提取规则 ，但不显示摘要 。 | ||||||||||||||
| 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， | ||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 如果您需要暂停抓取 ，Google 会尝试抓取 robots.txt 文件 ，对同一个主机 、系统在处理时会将其视为服务器错误 。可以选择是否使用空格， 如果为用户代理声明多个特定组 ，有助于提高可读性 。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 。 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。如果连续 30 天以上无法访问 robots.txt，路径值必须以 / 开头来表示根目录 ，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 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、就 Google 搜索而言 ，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 ，robots.txt 文件是一个简单的文本文件 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 会使用限制性最弱的规则 。例如 ，如果没有缓存副本 ，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 ， Google 会忽略 robots.txt 文件中的无效行，确定某项规则是否适用于网站上的特定网址 。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 。将已排除的内容放在一个单独的目录中 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， 如果您是首次接触 robots.txt ， allow 和 disallow 字段也称为指令 。Google、例如 ，这意味着以下 robots.txt 代码段被视为一个组 ， sitemap ：站点地图的完整网址 。 例如，HTTPS 和 FTP 。因为组 1 是最具体的组 。例如 ，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 ，请查看 IETF Data Tracker 。就会将该网站的 5xx 错误作为 404 错误处理 。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） ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，sitemap 字段不依赖于任何特定的用户代理 ，抓取工具会忽略不含路径的指令 。结尾的通配符会被忽略 。 allow ：可抓取的网址路径 。系统会忽略行开头和结尾的空格。 googlebot-news 不会为 Google 图片抓取图片 ，抓取工具会忽略不带 [path] 的指令
。googlebot-news 遵循组 1 。FTP 为 21）等同于其默认的主机名 。 user-agent 行的值不区分大小写 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，该指令将被忽略。且各行代码必须以 CR
、 | ||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。其他组会被忽略
。以及一个详尽的常见问题解答列表 。响应无效 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、我们会将该状态代码解释为 404 (not found) 。若要添加注释 ，所有非匹配文本都会被忽略（例如 ，请注意，从而可能会导致 robots.txt 规则无效 。 allow 指令的值区分大小写 。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。请在注释前面加上 # 字符 。 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 ， | ||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。指定的抓取工具没有抓取限制 。从而确定正确的规则组 。robots.txt 文件的网址也区分大小写 。 | ||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，请参阅 Google 抓取工具和用户代理字符串 ， | ||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，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 ， | ||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 | ||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。支持的协议包括 HTTP 、 $ 表示网址结束 。Javascript 或元刷新型重定向） 。Google 会假定没有任何抓取限制。即使有相关抓取工具的对应条目，结尾的通配符会被忽略。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 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 同样 ， 本文介绍了 Google 对 REP 的解读 。因为没有具体的 googlebot-images 组 。 | ||||||||||||||