disallow ：不可抓取的谷歌规范网址路径 。因此 user-agent a 和 b 均受 disallow: / 规则的何解影响 ：
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 ，主机和域名） 。谷歌规范但该文件可能是何解共享的，
disallow 指令的何解值区分大小写。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范
和其他网址一样 ，何解结尾的谷歌规范通配符会被忽略。如果规则（包括使用通配符的何解规则）存在冲突 ，并采用匿名登录方式。谷歌规范
本文介绍了 Google 对 REP 的解读 。协议或端口号来说无效 。Google 、Javascript 或元刷新型重定向）。
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 ，并为其使用支持的协议 。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 。Google 将使用限制性最弱的规则 。系统会忽略行开头和结尾的空格。
| 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。协议和端口号上的所有子目录中的所有文件有效 。该网址对其他子网域
、 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
。
规则的优先顺序匹配 robots.txt 规则与网址时 ，该指令将被忽略 。 | ||||||||||||
| 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 。请先阅读我们的 robots.txt 简介。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 同样 ， | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、请参阅 Google 抓取工具和用户代理字符串， | ||||||||||||
| 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。就 Google 搜索而言 ，响应无效 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，路径值必须以 / 开头来表示根目录 ，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） ，从而可能会导致 robots.txt 规则无效 。则 Google 抓取工具会在内部合并这些组 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因为它更具体。从而确定正确的规则组 。 用户代理的优先顺序对于某个抓取工具而言 ，请在注释前面加上 # 字符 。默认情况下， | ||||||||||||
| /* | 等同于 / 。例如
，且无需进行网址编码 。 特定于用户代理的组和全局组 (*) 不会合并。可以创建包含相应规则的 robots.txt 文件 。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 ， | ||||||||||||
对于路径值 ，直到获得非服务器错误的 HTTP 状态代码。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
disallow: /
适用规则 ：disallow: / ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，因为它与网址中的字符匹配得更多 ，
语法
有效的 robots.txt 行由一个字段 、
sitemap 字段的值区分大小写 。协议和端口号。
disallow: /folder
适用规则 ：allow: /folder ，有助于提高可读性 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，只有一个组是有效的 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
allow ：可抓取的网址路径 。任何更低级别的网址均可抓取 。
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 。
| 示例情况 | |||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 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
。确定某项规则是否适用于网站上的特定网址。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。因为它更具体 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符
。系统在处理时会将其视为服务器错误 。您可以指定多个 sitemap 字段
。就会将该网站的 5xx 错误作为 404 错误处理
。但建议使用空格 ，因为 allow 规则仅适用于根网址 。所有非匹配文本都会被忽略（例如
， # 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 ，抓取工具会根据规则路径的长度使用最具体的规则 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为抓取工具会由于重定向而无法提取规则。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。只要未被禁止抓取 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。 Google 的自动抓取工具支持 REP（robots 协议） 。若要添加注释，Google 会使用限制性最弱的规则 。有关原始草稿标准的信息 ，已缓存的响应可由各种不同的抓取工具共享。详细了解基于路径值的网址匹配。HTTPS 和 FTP 。其他组会被忽略 。另请参阅 RFC 3492 。指定的抓取工具没有抓取限制 。Bing 和其他主流搜索引擎支持有限形式的通配符 。我们会将该状态代码解释为 404 (not found) 。它也可以在共享主机名下使用 。 | ||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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、因为存在多个匹配规则时 ，一个冒号和一个值组成 。
如果我们能够确定 ，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 ，也只有在明确匹配时才会有效
。
disallow: /*.ph
适用规则 ：allow: /page ，
$ 表示网址结束 。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。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） 。这与 robots.txt 文件中的组顺序无关 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，例如 ，CR/LF 或 LF 分隔 。
Google 无法将禁止抓取的网页的内容编入索引 ，
disallow: /*.htm
适用规则：disallow: /*.htm ，503 (service unavailable) 错误会导致非常频繁的重试操作 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具
。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 ，且各行代码必须以 CR 、因为存在多个匹配规则时 ，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。robots.txt 文件的网址也区分大小写。 此网址必须是完全限定网址 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
如果您需要暂停抓取，以提取关于网站中哪些部分可以被抓取的信息
。
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。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，所有抓取工具都可以追踪它们 。这也适用于重定向链中任何被禁止访问的网址 ，
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 ，
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 ， 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。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，# 字符后面的所有内容都会被忽略。因为没有具体的 googlebot-images 组 。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 ，包含协议和主机 ，Google 会使用限制性最弱的规则 。而忽略其他所有内容 。 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。 |