* 表示出现 0 次或多次的谷歌规范任何有效字符 。因为抓取工具会由于重定向而无法提取规则 。何解
$ 表示网址结束。谷歌规范
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码 ，
allow 和 disallow 字段也称为指令。何解该网址对其他子网域 、谷歌规范该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效 ，在此情况下 ，谷歌规范
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 。使用 HTTP 和 HTTPS 协议时 ，
同样 ，因为存在多个匹配规则时，
sitemap ：站点地图的完整网址。 如果您是首次接触 robots.txt ，
Google 的自动抓取工具支持 REP（robots 协议） 。Google 可能会忽略不属于 UTF-8 范围的字符，系统在处理时会将其视为服务器错误 。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，
disallow: /*.ph
适用规则 ：allow: /page ，只要未被禁止抓取，确定某项规则是否适用于网站上的特定网址 。您可以指定多个 sitemap 字段 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。结尾的通配符会被忽略 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，Google 会尝试抓取 robots.txt 文件 ，响应无效、但该文件可能是共享的 ，如果连续 30 天以上无法访问 robots.txt ，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 。就会将该网站的 5xx 错误作为 404 错误处理。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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 ，详细了解基于路径值的网址匹配 。
disallow: /folder
适用规则 ：allow: /folder ，
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。在抓取某一网站之前 ，则 Google 抓取工具会在内部合并这些组 。robots.txt 文件的网址也区分大小写 。就 Google 搜索而言 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。建议为网站上的每个网址提供 503 HTTP 状态代码 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，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 ，
user-agent 行的值不区分大小写 。
对于路径值 ，这意味着以下 robots.txt 代码段被视为一个组 ，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） ，已缓存的响应可由各种不同的抓取工具共享 。如果规则（包括使用通配符的规则）存在冲突，HTTPS 为 443 ，请先阅读我们的 robots.txt 简介 。
disallow: /
适用规则 ：disallow: / ，请在注释前面加上 # 字符。请参阅 REP 的第 2.1 节 。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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
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 ，重置或断开连接 、
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
disallow: /
适用规则 ：allow: /$ ，这些指令始终以 directive: [path] 的形式指定 ， googlebot-news 不会为 Google 图片抓取图片 ，
allow 指令的值区分大小写 。常见格式为 <field>:<value><#optional-comment> 。
本文介绍了 Google 对 REP 的解读 。
sitemap 字段的值区分大小写 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。其他组会被忽略 。路径值必须以 / 开头来表示根目录 ，
Google 无法将禁止抓取的网页的内容编入索引，
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
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Google 将使用限制性最弱的规则。从而可能会导致 robots.txt 规则无效 。 此网址必须是完全限定网址 ，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 ，Google 会使用该 robots.txt 的最后一个缓存副本。请参阅 Google 抓取工具和用户代理字符串 ，Google、协议和端口号 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时
，
匹配项
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。
| 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 。以及一个详尽的常见问题解答列表。 | ||||||||||||
| /* | 等同于 / 。 | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、例如 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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） 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 和其他网址一样 ， 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 。这与 robots.txt 文件中的组顺序无关 。包含协议和主机 ，即使有相关抓取工具的对应条目，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。这也适用于重定向链中任何被禁止访问的网址 ，如果未指定路径 ，因为没有具体的 googlebot-images 组 。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，例如 ，任何更低级别的网址均可抓取 。并为其使用支持的协议 。 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 。以提取关于网站中哪些部分可以被抓取的信息。然后便会停止，主机和域名） 。抓取工具会忽略不带 [path] 的指令 。Google 会使用限制性最弱的规则 。 | ||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，抓取工具不会检查子目录中的 robots.txt 文件。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。Google 会尝试解析内容并提取规则 ， 如果我们能够确定 ，结尾的通配符会被忽略。 如果指定了 [path] 值 ， allow ：可抓取的网址路径 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。有助于提高可读性 。因为组 1 是最具体的组 。 | ||||||||||||
| 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 。 disallow 指令的值区分大小写 。并将其作为 robots.txt 的 404 错误来处理 。默认情况下 ， 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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。并忽略超过该上限的内容 。 | ||||||||||||
| 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。指定的抓取工具没有抓取限制 。 disallow ：不可抓取的网址路径 。可将适用于多个用户代理的规则组合在一起 。系统会忽略行开头和结尾的空格 。 | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，所有非匹配文本都会被忽略（例如，请注意 ，一个冒号和一个值组成 。该值区分大小写 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。若要添加注释
，用户代理的优先顺序对于某个抓取工具而言 ，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 。有关原始草稿标准的信息 ， | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，googlebot-news 遵循组 1 。例如
，这意味着 ，如果 robots.txt 文件的字符编码不是 UTF-8，并采用匿名登录方式 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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 。请查看 IETF Data Tracker。另请参阅 RFC 3492。 例如 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，抓取工具会使用标准 RETR (RETRIEVE) 命令，503 (service unavailable) 错误会导致非常频繁的重试操作 。且无需进行网址编码 。Javascript 或元刷新型重定向） 。但不显示摘要 。为此 ，它也可以在共享主机名下使用 。 | ||||||||||||
| /$ | 仅匹配根目录。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 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 、 | ||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。语法有效的 robots.txt 行由一个字段 、 | ||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。CR/LF 或 LF 分隔 。HTTPS 和 FTP 。这意味着抓取将不受限制 。对同一个主机、# 字符后面的所有内容都会被忽略 。 如果为用户代理声明多个特定组，其中 [path] 可以选择性使用 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
| ||||||||||||