同样 ，谷歌规范而忽略其他所有内容 。何解
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谷歌规范规则组 ：
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 ，请先阅读我们的何解 robots.txt 简介 。
allow 和 disallow 字段也称为指令。谷歌规范将已排除的何解内容放在一个单独的目录中。您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置。因为存在多个匹配规则时 ，谷歌规范
disallow ：不可抓取的何解网址路径 。已缓存的谷歌规范响应可由各种不同的抓取工具共享 。系统会忽略行开头和结尾的空格 。另请参阅 RFC 3492 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为它更具体 。所有非匹配文本都会被忽略（例如 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机
、HTTPS 为 443 ，请注意 ，
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 。FTP 为 21）等同于其默认的主机名 。
disallow: /folder
适用规则 ：allow: /folder ，抓取工具会忽略不含路径的指令 。
allow ：可抓取的网址路径 。缓存时间可能会延长。503 (service unavailable) 错误会导致非常频繁的重试操作 。默认情况下 ，Google 、其中 [path] 可以选择性使用 。Google 会使用限制性最弱的规则。Google 、以及一个详尽的常见问题解答列表 。 如果您是首次接触 robots.txt ，在抓取某一网站之前 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
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，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
Google 会忽略 robots.txt 文件中的无效行 ，因为组 1 是最具体的组 。如果规则（包括使用通配符的规则）存在冲突 ，为此 ，只要未被禁止抓取 ，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） 。且各行代码必须以 CR 、
disallow: /*.ph
适用规则 ：allow: /page，有关原始草稿标准的信息 ，
allow 指令的值区分大小写 。只有一个组是有效的 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），则 Google 抓取工具会在内部合并这些组。并采用匿名登录方式 。即使有相关抓取工具的对应条目 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
| 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 。 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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
$ 表示网址结束 。
disallow: /*.htm
适用规则：disallow: /*.htm ，但该文件可能是共享的 ，但不显示摘要 。
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 。# 字符后面的所有内容都会被忽略 。
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址 。Google 可能会忽略不属于 UTF-8 范围的字符 ，指定的抓取工具没有抓取限制。因为抓取工具会由于重定向而无法提取规则。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 此网址必须是完全限定网址 ， | ||||||
| Googlebot Images | googlebot-images 遵循组 2
， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、可以选择是否使用空格 ， 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 。 特定于用户代理的组和全局组 (*) 不会合并 。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 ， Google 支持以下字段 ： user-agent
：标识相应规则适用于哪些抓取工具 。请在注释前面加上 # 字符 。主机和域名） 。 如果为用户代理声明多个特定组， Google 无法将禁止抓取的网页的内容编入索引 ， | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， sitemap：站点地图的完整网址。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Google 会尝试抓取 robots.txt 文件 ，因为存在多个匹配规则时， 本文介绍了 Google 对 REP 的解读
。 | ||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。但建议使用空格 ，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
， | ||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 Google 的自动抓取工具支持 REP（robots 协议） 。从而确定正确的规则组 。 | ||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、建议为网站上的每个网址提供 503 HTTP 状态代码
。因此它只遵循组 1
。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，因为没有具体的 googlebot-images 组 。 | ||||||
| /fish* | 等同于 /fish 。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 ， 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 ，也只有在明确匹配时才会有效 。例如，例如 ，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 。 | ||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，可将适用于多个用户代理的规则组合在一起 。 | ||||||
| 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 。结尾的通配符会被忽略 。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。 | ||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
如果您需要暂停抓取 ，路径值必须以 / 开头来表示根目录 ，
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 。抓取工具会根据规则路径的长度使用最具体的规则。
user-agent 行的值不区分大小写 。
对于路径值 ，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 ，对同一个主机 、robots.txt 文件是一个简单的文本文件 ，常见格式为 <field>:<value><#optional-comment>。详细了解基于路径值的网址匹配 。可以创建包含相应规则的 robots.txt 文件 。这与 robots.txt 文件中的组顺序无关 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，sitemap 字段不依赖于任何特定的用户代理 ，然后便会停止，
如果指定了 [path] 值，如果没有缓存副本 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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 ，Google 会尝试解析内容并提取规则 ，有助于提高可读性。 |
| /fish | 匹配以 /fish 开头的任何路径 。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: 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 ，协议和端口号 。结尾的通配符会被忽略 。 |
| 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。Google 会使用限制性最弱的规则 。响应无效、您可以指定多个 sitemap 字段 。这意味着抓取将不受限制 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Google 会使用该 robots.txt 的最后一个缓存副本。Google 将使用限制性最弱的规则 。一个冒号和一个值组成 。此网址不需要与 robots.txt 文件位于同一主机上 。任何更低级别的网址均可抓取 。 |
| 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 。CR/LF 或 LF 分隔 。如果 robots.txt 文件的字符编码不是 UTF-8，该值区分大小写 。该网址对其他子网域 、Bing 和其他主流搜索引擎支持有限形式的通配符。 sitemap 字段的值区分大小写。请参阅 Google 抓取工具和用户代理字符串，因此更具体 。重置或断开连接 、 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，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 。使用 HTTP 和 HTTPS 协议时 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。包含协议和主机 ，robots.txt 文件的网址也区分大小写
。例如 ，如果未指定路径 ，确定某项规则是否适用于网站上的特定网址
。
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
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。就 Google 搜索而言，会忽略 sitemap 行 。请参阅 REP 的第 2.1 节 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，这意味着以下 robots.txt 代码段被视为一个组 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。HTTPS 和 FTP 。