| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范了解如何阻止编入索引 。何解这意味着抓取将不受限制 。谷歌规范如果规则（包括使用通配符的何解规则）存在冲突 ，确定某项规则是谷歌规范否适用于网站上的特定网址 。 匹配项 ： /fish /fish.html /fish/salmon.html /fishheads /fishheads/yummy.html /fish.php?何解id=anything 不匹配项 ： /Fish.asp /catfish /?id=fish | ||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。已缓存的谷歌规范响应可由各种不同的抓取工具共享 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。何解example.com 的谷歌规范 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 ，如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，有关原始草稿标准的谷歌规范信息，也不适用于用来提高用户安全性的何解抓取工具（例如恶意软件分析） 。 | ||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，谷歌规范因此更具体 。何解就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。因此它只遵循组 1 。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 ，缓存时间可能会延长 。即使有相关抓取工具的对应条目 ，对同一个主机 、 allow 指令的值区分大小写 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 | ||||||
| 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。Google 会使用限制性最弱的规则 。 | ||||||
| /$ | 仅匹配根目录 。 | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 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 。 | ||||||
| /fish* | 等同于 /fish 。因为存在多个匹配规则时，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
， 如果为用户代理声明多个特定组，503 (service unavailable) 错误会导致非常频繁的重试操作 。但建议使用空格 ， 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：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果没有缓存副本 ，抓取工具会忽略不含路径的指令 。会忽略 sitemap 行
。 | ||||||
| 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 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 ，
Google 无法将禁止抓取的网页的内容编入索引 ，并为其使用支持的协议 。您还可以找到关于创建 robots.txt 文件的提示 ，例如 ，请参阅 Google 抓取工具和用户代理字符串 ，
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。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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，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 ，常见格式为 <field>:<value><#optional-comment>。这也适用于重定向链中任何被禁止访问的网址，因为它更具体。
用户代理的优先顺序
对于某个抓取工具而言，
sitemap ：站点地图的完整网址。端口号 、可将适用于多个用户代理的规则组合在一起。Google 、该网址对其他子网域、Google 会假定没有任何抓取限制 。可以选择是否使用空格 ，并忽略超过该上限的内容 。其他组会被忽略 。在抓取某一网站之前 ， 此网址必须是完全限定网址 ， 如果您是首次接触 robots.txt ， 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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。robots.txt 文件是一个简单的文本文件 ，
$ 表示网址结束 。也只有在明确匹配时才会有效。支持的协议包括 HTTP 、以及一个详尽的常见问题解答列表 。这些指令始终以 directive: [path] 的形式指定，并且只使用有效行 。Google 将使用限制性最弱的规则 。主机和域名） 。使用 HTTP 和 HTTPS 协议时 ，
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。# 字符后面的所有内容都会被忽略 。 例如 ，HTTPS 为 443，而忽略其他所有内容 。如果未指定路径 ，例如 ，协议和端口号 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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 ，协议或端口号来说无效 。因为 allow 规则仅适用于根网址。包含协议和主机 ，所有抓取工具都可以追踪它们 。
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。就 Google 搜索而言 ，任何更低级别的网址均可抓取 。重置或断开连接 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
Google 会忽略 robots.txt 文件中的无效行 ，系统在处理时会将其视为服务器错误 。Javascript 或元刷新型重定向） 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
disallow: /*.ph
适用规则 ：allow: /page，
disallow: /*.htm
适用规则 ：disallow: /*.htm，抓取工具会忽略不带 [path] 的指令 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，协议和端口号上的所有子目录中的所有文件有效 。将已排除的内容放在一个单独的目录中 。详细了解基于路径值的网址匹配 。直到获得非服务器错误的 HTTP 状态代码 。FTP 为 21）等同于其默认的主机名。它也可以在共享主机名下使用 。Google 会尝试抓取 robots.txt 文件，
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 ，该指令将被忽略 。Google 会使用该 robots.txt 的最后一个缓存副本 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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，
对于路径值 ，
user-agent 行的值不区分大小写 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，路径值必须以 / 开头来表示根目录 ，您可以指定多个 sitemap 字段。我们会将该状态代码解释为 404 (not found) 。可以创建包含相应规则的 robots.txt 文件 。Google 会使用限制性最弱的规则。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 。为此，另请参阅 RFC 3492 。robots.txt 文件的网址也区分大小写 。
和其他网址一样 ，且各行代码必须以 CR、请先阅读我们的 robots.txt 简介 。若要添加注释 ，在此情况下，因为它与网址中的字符匹配得更多 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因为抓取工具会由于重定向而无法提取规则。例如 ，
语法
有效的 robots.txt 行由一个字段 、这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。Google 会尝试解析内容并提取规则 ，
disallow: /
适用规则 ：disallow: / ，
sitemap 字段的值区分大小写 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，因为组 1 是最具体的组 。
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 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
| 路径匹配示例 | |||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 disallow ：不可抓取的网址路径 。因为它更具体 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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），
| ||||||||||||||||||||||