不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。
$ 表示网址结束 。谷歌规范
disallow: /
适用规则 ：disallow: / ，何解可以选择是谷歌规范否使用空格 ，REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅） ，只有一个组是谷歌规范有效的 。所有非匹配文本都会被忽略（例如 ，何解
如果为用户代理声明多个特定组 ，谷歌规范就 Google 搜索而言，何解
什么是谷歌规范 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 ，以及一个详尽的何解常见问题解答列表 。从而确定正确的谷歌规范规则组 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。
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。
sitemap 字段的值区分大小写 。该值区分大小写。因此更具体 。即使有相关抓取工具的对应条目 ，其他组会被忽略 。抓取工具会根据规则路径的长度使用最具体的规则 。这意味着 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，如果未指定路径 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，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） ，
user-agent 行的值不区分大小写 。
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。这意味着以下 robots.txt 代码段被视为一个组 ，请注意 ，这意味着抓取将不受限制 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，结尾的通配符会被忽略 。Google 将使用限制性最弱的规则 。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 ，请参阅 Google 抓取工具和用户代理字符串 ，因为存在多个匹配规则时 ，robots.txt 文件的网址也区分大小写。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 ，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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，从而可能会导致 robots.txt 规则无效 。
如果指定了 [path] 值 ，响应无效 、结尾的通配符会被忽略
。这些指令始终以 directive: [path] 的形式指定，该指令将被忽略 。协议和端口号 。
如果我们能够确定
，
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 。因此它只遵循组 1 。抓取工具会忽略不含路径的指令 。缓存时间可能会延长 。请查看 IETF Data Tracker 。Google 、
Google 支持以下字段 ：
user-agent
：标识相应规则适用于哪些抓取工具 。
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
* 表示出现 0 次或多次的任何有效字符 。该网址对其他子网域 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，
和其他网址一样 ，可将适用于多个用户代理的规则组合在一起。
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 ，googlebot-news 遵循组 1 。因为它更具体 。会忽略 sitemap 行 。
语法
有效的 robots.txt 行由一个字段 、抓取工具会忽略不带 [path] 的指令 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。系统在处理时会将其视为服务器错误 。这也适用于重定向链中任何被禁止访问的网址 ，使用 HTTP 和 HTTPS 协议时，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 。一个冒号和一个值组成 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。已缓存的响应可由各种不同的抓取工具共享 。 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 。
对于路径值，因为 allow 规则仅适用于根网址 。如果连续 30 天以上无法访问 robots.txt ， 特定于用户代理的组和全局组 (*) 不会合并 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
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 ，任何更低级别的网址均可抓取 。将已排除的内容放在一个单独的目录中。这与 robots.txt 文件中的组顺序无关 。它也可以在共享主机名下使用。 |
| 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 。以提取关于网站中哪些部分可以被抓取的信息 。若要添加注释 ，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。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，所有抓取工具都可以追踪它们 。另请参阅 RFC 3492 。 |
| Googlebot Images | googlebot-images 遵循组 2，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，确定某项规则是否适用于网站上的特定网址 。
allow ：可抓取的网址路径 。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 ，包含协议和主机 ，
| 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 。 allow 指令的值区分大小写。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 |
| /*.php | 匹配包含 .php 的任何路径 。例如 ，用户代理的优先顺序对于某个抓取工具而言 ， 如果您是首次接触 robots.txt ，对同一个主机 、 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， 例如 ，协议或端口号来说无效 。支持的协议包括 HTTP、因为组 1 是最具体的组 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，例如 ，在抓取某一网站之前 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， disallow 指令的值区分大小写 。 disallow ：不可抓取的网址路径 。请先阅读我们的 robots.txt 简介 。Google 、 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， 此网址必须是完全限定网址，且无需进行网址编码 。默认情况下 ， 同样 ， |
| /* | 等同于 / 。而忽略其他所有内容 。 allow 和 disallow 字段也称为指令 。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 。如果没有缓存副本 ，然后便会停止 ，sitemap 字段不依赖于任何特定的用户代理 ，此网址不需要与 robots.txt 文件位于同一主机上 。有助于提高可读性 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，HTTPS 和 FTP。 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，则 Google 抓取工具会在内部合并这些组 。重置或断开连接、抓取工具不会检查子目录中的 robots.txt 文件。503 (service unavailable) 错误会导致非常频繁的重试操作 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、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。主机和域名）
。路径值必须以 / 开头来表示根目录 ，详细了解基于路径值的网址匹配 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，系统会忽略行开头和结尾的空格 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。端口号 、
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: 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，且各行代码必须以 CR 、
Google 会忽略 robots.txt 文件中的无效行 ，并且只使用有效行 。常见格式为 <field>:<value><#optional-comment> 。Google 会尝试解析内容并提取规则 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、请参阅 REP 的第 2.1 节。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。有关原始草稿标准的信息 ，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 ，
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
disallow: /folder
适用规则 ：allow: /folder ，其中 [path] 可以选择性使用 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因为抓取工具会由于重定向而无法提取规则 。
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 。我们会将该状态代码解释为 404 (not found) 。了解如何阻止编入索引。您可以指定多个 sitemap 字段 。并采用匿名登录方式 。
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址 。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
。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 会使用限制性最弱的规则 。
| ||||