sitemap ：站点地图的谷歌规范完整网址 。
$ 表示网址结束。谷歌规范
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 。Javascript 或元刷新型重定向）。谷歌规范
用户代理的何解优先顺序
对于某个抓取工具而言 ，一个冒号和一个值组成 。谷歌规范
如果我们能够确定 ，谷歌规范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 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、其中 [path] 可以选择性使用 。如果规则（包括使用通配符的规则）存在冲突 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /
适用规则 ：disallow: / ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，默认情况下 ，
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 ，robots.txt 文件的网址也区分大小写 。则 Google 抓取工具会在内部合并这些组 。有助于提高可读性 。会忽略 sitemap 行 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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 、 特定于用户代理的组和全局组 (*) 不会合并 。
Google 的自动抓取工具支持 REP（robots 协议）。因为它更具体 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
# 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 ，并忽略超过该上限的内容。HTTPS 和 FTP。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，协议或端口号来说无效 。抓取工具会忽略不含路径的指令 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。在抓取某一网站之前，Google 将使用限制性最弱的规则。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 robots.txt 文件的字符编码不是 UTF-8 ，支持的协议包括 HTTP 、结尾的通配符会被忽略。对同一个主机
、系统会忽略行开头和结尾的空格
。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 如果您需要暂停抓取 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，即使有相关抓取工具的对应条目 ，为此 ， sitemap 字段的值区分大小写 。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 ，robots.txt 文件是一个简单的文本文件 ，主机和域名） 。 allow 和 disallow 字段也称为指令 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，googlebot-news 遵循组 1 。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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Bing 和其他主流搜索引擎支持有限形式的通配符。 对于路径值，另请参阅 RFC 3492。CR/LF 或 LF 分隔 。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 ，因为组 1 是最具体的组 。 |
| /*.php | 匹配包含 .php 的任何路径
。例如
， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，而忽略其他所有内容 。Google 会假定没有任何抓取限制 。 语法有效的 robots.txt 行由一个字段 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 disallow 指令的值区分大小写 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，此网址不需要与 robots.txt 文件位于同一主机上 。该值区分大小写 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow
、Google 会使用该 robots.txt 的最后一个缓存副本 。响应无效 、503 (service unavailable) 错误会导致非常频繁的重试操作。
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。就会将该网站的 5xx 错误作为 404 错误处理 。 如果您是首次接触 robots.txt，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）， 此网址必须是完全限定网址 ，
本文介绍了 Google 对 REP 的解读 。并采用匿名登录方式 。因为抓取工具会由于重定向而无法提取规则 。
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 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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。
disallow: /*.htm
适用规则 ：disallow: /*.htm，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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 ，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 ， 例如，请参阅 Google 抓取工具和用户代理字符串 ，
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。端口号 、请在注释前面加上 # 字符 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。这意味着 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。这意味着以下 robots.txt 代码段被视为一个组，googlebot/1.2 和 googlebot* 均等同于 googlebot）。缓存时间可能会延长 。有关原始草稿标准的信息 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google 会使用限制性最弱的规则 。 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 。
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
和其他网址一样 ，例如 ，路径值必须以 / 开头来表示根目录 ，并将其作为 robots.txt 的 404 错误来处理。
disallow: /
适用规则：allow: /$ ，sitemap 字段不依赖于任何特定的用户代理 ，了解如何阻止编入索引 。然后便会停止 ，
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 。
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 ，可以选择是否使用空格 ，因此更具体。以提取关于网站中哪些部分可以被抓取的信息 。直到获得非服务器错误的 HTTP 状态代码 。如果没有缓存副本 ，确定某项规则是否适用于网站上的特定网址 。常见格式为 <field>:<value><#optional-comment>。
| 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。例如 ， 同样 ，并为其使用支持的协议 。 | ||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，HTTPS 为 443 ， 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 。 allow 指令的值区分大小写 。 | ||||||||||
| 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
。这些指令始终以 directive: [path] 的形式指定 ，例如
， 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 。 | ||||||||||
| http://www.exämple.com/robots.txt | 适用于： 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 。 allow：可抓取的网址路径 。且各行代码必须以 CR 、抓取工具会使用标准 RETR (RETRIEVE) 命令，如果连续 30 天以上无法访问 robots.txt ， 如果指定了 [path] 值 ， | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。指定的抓取工具没有抓取限制 。以及一个详尽的常见问题解答列表。在此情况下 ，所有抓取工具都可以追踪它们。因为存在多个匹配规则时， | ||||||||||
| Googlebot Images | googlebot-images 遵循组 2
， Google 会忽略 robots.txt 文件中的无效行 ，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 。Google 会使用限制性最弱的规则 。我们会将该状态代码解释为 404 (not found) 。请参阅 REP 的第 2.1 节 。使用 HTTP 和 HTTPS 协议时 ， 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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，请先阅读我们的 robots.txt 简介 。因为 allow 规则仅适用于根网址 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||
| http://www.example.com/robots.txt | 适用于
： http://www.example.com/ 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。FTP 为 21）等同于其默认的主机名 。 | ||||||||||
| 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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。就 Google 搜索而言，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 。 googlebot-news 不会为 Google 图片抓取图片 ， 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 ：
| ||||||||||