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 ，
同样，何解抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。HTTPS 为 443，何解并且只使用有效行 。谷歌规范将已排除的何解内容放在一个单独的目录中 。但建议使用空格 ，谷歌规范
robots.txt 文件中列出的何解规则只适用于该文件所在的主机 、因为没有具体的谷歌规范 googlebot-images 组 。如果未指定路径 ，何解Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段 。任何更低级别的网址均可抓取 。 例如 ，
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，
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址
。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
， 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 。 | ||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，且各行代码必须以 CR
、因为抓取工具会由于重定向而无法提取规则
。robots.txt 文件的网址也区分大小写。FTP 为 21）等同于其默认的主机名。已缓存的响应可由各种不同的抓取工具共享。因此更具体。 user-agent 行的值不区分大小写。指定的抓取工具没有抓取限制。抓取工具会忽略不带 [path] 的指令 。并忽略超过该上限的内容 。CR/LF 或 LF 分隔 。Google 会尝试解析内容并提取规则 ， allow ：可抓取的网址路径 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。以提取关于网站中哪些部分可以被抓取的信息 。Google、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），默认情况下 ，因为存在多个匹配规则时 ，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 ， | ||||
| 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 。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， | ||||
| /*.php | 匹配包含 .php 的任何路径 。路径值必须以 / 开头来表示根目录， | ||||
| 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 。 | ||||
| 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 ，Google 可能会忽略不属于 UTF-8 范围的字符，直到获得非服务器错误的 HTTP 状态代码。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，这与 robots.txt 文件中的组顺序无关 。 disallow
：不可抓取的网址路径。如果 robots.txt 文件的字符编码不是 UTF-8
，可以创建包含相应规则的 robots.txt 文件 。对同一个主机 、 | ||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 | ||||
| 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 。 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 。Google 、但不显示摘要 。 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 ，使用 HTTP 和 HTTPS 协议时 ，有关原始草稿标准的信息，可将适用于多个用户代理的规则组合在一起 。这些指令始终以 directive: [path] 的形式指定 ，有助于提高可读性 。 Google 的自动抓取工具支持 REP（robots 协议） 。可以选择是否使用空格，例如 ，就会将该网站的 5xx 错误作为 404 错误处理 。则 Google 抓取工具会在内部合并这些组 。并采用匿名登录方式。从而确定正确的规则组 。并为其使用支持的协议。请参阅 REP 的第 2.1 节 。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 。该网址对其他子网域 、 语法有效的 robots.txt 行由一个字段 、 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 ：
| ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。并将其作为 robots.txt 的 404 错误来处理
。只有一个组是有效的。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，请查看 IETF Data Tracker 。# 字符后面的所有内容都会被忽略 。且无需进行网址编码 。在抓取某一网站之前 ，googlebot-news 遵循组 1 。 如果为用户代理声明多个特定组 ， | ||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因为它与网址中的字符匹配得更多，建议为网站上的每个网址提供 503 HTTP 状态代码 。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 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，协议和端口号 。Google 会假定没有任何抓取限制。例如 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
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。我们会将该状态代码解释为 404 (not found)。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 ，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 。端口号 、
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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 会尝试抓取 robots.txt 文件 ， googlebot-news 不会为 Google 图片抓取图片 ，了解如何阻止编入索引 。响应无效 、
disallow: /*.htm
适用规则 ：disallow: /*.htm，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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 ，请在注释前面加上 # 字符 。
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 。
和其他网址一样 ，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 。
disallow: /folder
适用规则 ：allow: /folder ，Google 会使用限制性最弱的规则 。
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。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
sitemap ：站点地图的完整网址。主机和域名） 。
allow 指令的值区分大小写 。请先阅读我们的 robots.txt 简介。如果连续 30 天以上无法访问 robots.txt ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
用户代理的优先顺序
对于某个抓取工具而言
，一个冒号和一个值组成 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。常见格式为 <field>:<value><#optional-comment>。
disallow 指令的值区分大小写 。
| 示例情况 | |||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， | ||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。这也适用于重定向链中任何被禁止访问的网址 ，其他组会被忽略。如果规则（包括使用通配符的规则）存在冲突
，
| ||||||||||||||||||||||||||||||