http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范
Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，已缓存的何解响应可由各种不同的抓取工具共享 。因为存在多个匹配规则时，谷歌规范包含协议和主机
，何解因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。谷歌规范googlebot/1.2 和 googlebot* 均等同于 googlebot） 。何解但建议使用空格 ，谷歌规范
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /*.ph
适用规则 ：allow: /page ，
sitemap 字段的值区分大小写 。在抓取某一网站之前 ，并且只使用有效行。可以选择是否使用空格 ，
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。Javascript 或元刷新型重定向） 。
如果我们能够确定 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。这意味着以下 robots.txt 代码段被视为一个组 ，从而可能会导致 robots.txt 规则无效 。如果未指定路径 ，所有非匹配文本都会被忽略（例如 ， 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 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，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）
，响应无效
、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。以及一个详尽的常见问题解答列表 。
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，
本文介绍了 Google 对 REP 的解读 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因为组 1 是最具体的组 。
如果指定了 [path] 值 ，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 ，因此它只遵循组 1 。且各行代码必须以 CR 、
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。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 ，有关原始草稿标准的信息 ，
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。
allow 和 disallow 字段也称为指令 。而忽略其他所有内容
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，HTTPS 和 FTP 。这与 robots.txt 文件中的组顺序无关 。所有抓取工具都可以追踪它们
。您还可以找到关于创建 robots.txt 文件的提示
，这也适用于重定向链中任何被禁止访问的网址
，Google 会尝试抓取 robots.txt 文件
， 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 。Google、
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 。并忽略超过该上限的内容 。
和其他网址一样，指定的抓取工具没有抓取限制 。则 Google 抓取工具会在内部合并这些组 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。
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 。因为存在多个匹配规则时
，
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
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。但不显示摘要 。例如 ， 例如 ，只有一个组是有效的 。如果没有缓存副本 ，
语法
有效的 robots.txt 行由一个字段 、
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，并为其使用支持的协议。
Google 会忽略 robots.txt 文件中的无效行 ，例如 ，端口号、抓取工具会忽略不含路径的指令。但该文件可能是共享的，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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，# 字符后面的所有内容都会被忽略 。
disallow: /folder
适用规则 ：allow: /folder ，因为抓取工具会由于重定向而无法提取规则。
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。
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
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 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。也只有在明确匹配时才会有效。因为没有具体的 googlebot-images 组 。
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，因此更具体。
如果您需要暂停抓取 ，缓存时间可能会延长。以提取关于网站中哪些部分可以被抓取的信息。
$ 表示网址结束 。结尾的通配符会被忽略。就会将该网站的 5xx 错误作为 404 错误处理 。因为它与网址中的字符匹配得更多 ，HTTPS 为 443 ，直到获得非服务器错误的 HTTP 状态代码 。Google 将使用限制性最弱的规则 。
disallow ：不可抓取的网址路径 。例如 ，详细了解基于路径值的网址匹配 。Google 会使用该 robots.txt 的最后一个缓存副本 。然后便会停止 ，Google 、Google 会假定没有任何抓取限制 。如果连续 30 天以上无法访问 robots.txt ，默认情况下 ，系统在处理时会将其视为服务器错误 。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 、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。 此网址必须是完全限定网址 ，协议或端口号来说无效 。且无需进行网址编码 。并采用匿名登录方式 。请参阅 Google 抓取工具和用户代理字符串 ，
sitemap ：站点地图的完整网址。一个冒号和一个值组成 。
Google 的自动抓取工具支持 REP（robots 协议） 。我们会将该状态代码解释为 404 (not found) 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，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 。若要添加注释 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，另请参阅 RFC 3492 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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 ，该值区分大小写 。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 ，FTP 为 21）等同于其默认的主机名 。确定某项规则是否适用于网站上的特定网址 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。可以创建包含相应规则的 robots.txt 文件 。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 抓取工具会下载并解析该网站的 robots.txt 文件 ，这意味着抓取将不受限制 。
allow 指令的值区分大小写 。 googlebot-news 不会为 Google 图片抓取图片 ，
disallow: /
适用规则 ：disallow: / ，CR/LF 或 LF 分隔 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
对于路径值 ，Google 会使用限制性最弱的规则 。可将适用于多个用户代理的规则组合在一起。
disallow: /
适用规则：allow: /$ ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，其他组会被忽略 。使用 HTTP 和 HTTPS 协议时，
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 ， disallow 指令的值区分大小写 。就 Google 搜索而言 ，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 ，Google 会使用限制性最弱的规则 。结尾的通配符会被忽略 。因为 allow 规则仅适用于根网址。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） 。
| ||||||||||||||||||||||