user-agent 行的谷歌规范值不区分大小写 。所有抓取工具都可以追踪它们 。何解CR/LF 或 LF 分隔
。谷歌规范使用 HTTP 和 HTTPS 协议时 ，何解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）
。
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
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。谷歌规范抓取工具不会检查子目录中的何解 robots.txt 文件 。该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效，HTTPS 为 443 ， 此网址必须是完全限定网址，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。重置或断开连接 、例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow
、
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 。
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 。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，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
allow 指令的值区分大小写 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。请注意 ，就会将该网站的 5xx 错误作为 404 错误处理 。这些指令始终以 directive: [path] 的形式指定，
Google 的自动抓取工具支持 REP（robots 协议） 。且无需进行网址编码 。以及一个详尽的常见问题解答列表 。另请参阅 RFC 3492 。确定某项规则是否适用于网站上的特定网址 。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 、
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 。例如，Google 、详细了解基于路径值的网址匹配 。Bing 和其他主流搜索引擎支持有限形式的通配符 。因为组 1 是最具体的组 。且各行代码必须以 CR 、如果未指定路径 ，
disallow: /
适用规则 ：disallow: / ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，但可能仍会将其网址编入索引并将其显示在搜索结果中，
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 ，
| 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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。Google 会尝试抓取 robots.txt 文件 ，从而确定正确的规则组 。因此更具体。 | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ， 例如 ，也只有在明确匹配时才会有效 。其他组会被忽略 。并忽略超过该上限的内容 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 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 。 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 ，例如 ， | ||||||||||
| 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 。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，我们会将该状态代码解释为 404 (not found) 。端口号 、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 $ 表示网址结束
。该值区分大小写。您可以指定多个 sitemap 字段 。因为没有具体的 googlebot-images 组 。并采用匿名登录方式。会忽略 sitemap 行 。 sitemap：站点地图的完整网址。如果 robots.txt 文件的字符编码不是 UTF-8 ，这也适用于重定向链中任何被禁止访问的网址 ，Google 将使用限制性最弱的规则 。在抓取某一网站之前 ，从而可能会导致 robots.txt 规则无效 。 同样 ， 如果指定了 [path] 值， 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。协议和端口号 。抓取工具会根据规则路径的长度使用最具体的规则 。主机和域名） 。 | ||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址 。只有一个组是有效的。 如果您是首次接触 robots.txt
，了解如何阻止编入索引
。抓取工具会忽略不含路径的指令。请查看 IETF Data Tracker 。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 ，这意味着抓取将不受限制。 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 。 disallow ：不可抓取的网址路径 。Google 会使用限制性最弱的规则。Javascript 或元刷新型重定向） 。 和其他网址一样 ， | ||||||
| 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 。 | ||||||
| /fish* | 等同于 /fish 。这意味着 ，语法有效的 robots.txt 行由一个字段、直到获得非服务器错误的 HTTP 状态代码 。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
， | ||||||
| /*.php | 匹配包含 .php 的任何路径 。包含协议和主机 ，因为存在多个匹配规则时， | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，请在注释前面加上 # 字符 。例如 ，即使有相关抓取工具的对应条目 ，因为抓取工具会由于重定向而无法提取规则。
Google 会忽略 robots.txt 文件中的无效行， | ||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，因为存在多个匹配规则时 ，Google 会使用该 robots.txt 的最后一个缓存副本 。并为其使用支持的协议 。Google 会尝试解析内容并提取规则 ，已缓存的响应可由各种不同的抓取工具共享 。响应无效 、某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，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 。这与 robots.txt 文件中的组顺序无关。
disallow: /*.htm
适用规则：disallow: /*.htm ，HTTPS 和 FTP 。将已排除的内容放在一个单独的目录中。
Google 无法将禁止抓取的网页的内容编入索引 ，例如 ，# 字符后面的所有内容都会被忽略 。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 ，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 ，其中 [path] 可以选择性使用。googlebot-news 遵循组 1 。它也可以在共享主机名下使用 。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 。这意味着以下 robots.txt 代码段被视为一个组 ，因此它只遵循组 1 。就 Google 搜索而言 ，建议为网站上的每个网址提供 503 HTTP 状态代码
。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）
，此网址不需要与 robots.txt 文件位于同一主机上 。如果没有缓存副本
，因为 allow 规则仅适用于根网址
。结尾的通配符会被忽略
。默认情况下
，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 。
如果我们能够确定 ，而忽略其他所有内容 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。路径值必须以 / 开头来表示根目录 ，
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 ，所有非匹配文本都会被忽略（例如 ，
如果为用户代理声明多个特定组 ，
| 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 。 googlebot-news 不会为 Google 图片抓取图片 ，sitemap 字段不依赖于任何特定的用户代理 ， 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径。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。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 。有关原始草稿标准的信息 ， 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 ，有助于提高可读性
。robots.txt 文件的网址也区分大小写
。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
，任何更低级别的网址均可抓取 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。若要添加注释
，并且只使用有效行 。为此 ，以提取关于网站中哪些部分可以被抓取的信息。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。用户代理的优先顺序对于某个抓取工具而言，该网址对其他子网域、请参阅 Google 抓取工具和用户代理字符串，这些通配符包括： * 表示出现 0 次或多次的任何有效字符。如果连续 30 天以上无法访问 robots.txt， |
| Googlebot Images | googlebot-images 遵循组 2 ，协议和端口号上的所有子目录中的所有文件有效
。 allow ：可抓取的网址路径 。然后便会停止 ，可以选择是否使用空格， 对于路径值 ， |