匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
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，谷歌规范
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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效。协议和端口号上的谷歌规范所有子目录中的所有文件有效 。这意味着 ，何解FTP 为 21）等同于其默认的谷歌规范主机名 。因此它只遵循组 1 。何解所有抓取工具都可以追踪它们 。谷歌规范
allow：可抓取的何解网址路径 。因为存在多个匹配规则时 ，谷歌规范下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。有助于提高可读性 。
如果您需要暂停抓取 ，因为 allow 规则仅适用于根网址。在抓取某一网站之前，
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 ，并且只使用有效行
。Javascript 或元刷新型重定向） 。您还可以找到关于创建 robots.txt 文件的提示
，端口号 、因为存在多个匹配规则时 ，因此更具体
。已缓存的响应可由各种不同的抓取工具共享 。
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。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
语法
有效的 robots.txt 行由一个字段 、
| 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 ： /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。抓取工具不会检查子目录中的 robots.txt 文件 。您可以指定多个 sitemap 字段 。因为它更具体
。 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 ，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） 。主机和域名） 。如果连续 30 天以上无法访问 robots.txt ，因为它更具体 。 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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，以及一个详尽的常见问题解答列表 。 Google 支持以下字段： user-agent：标识相应规则适用于哪些抓取工具 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。这意味着抓取将不受限制 。 |
| /fish | 匹配以 /fish 开头的任何路径。只要未被禁止抓取 ，Google 会尝试解析内容并提取规则 ， 特定于用户代理的组和全局组 (*) 不会合并 。robots.txt 文件的网址也区分大小写。Bing 和其他主流搜索引擎支持有限形式的通配符。 |
| Googlebot Images | googlebot-images 遵循组 2
，Google 、支持的协议包括 HTTP 、以提取关于网站中哪些部分可以被抓取的信息 。协议和端口号 。 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， |
| 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 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定
，可将适用于多个用户代理的规则组合在一起
。结尾的通配符会被忽略
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、如果未指定路径
，CR/LF 或 LF 分隔
。
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 ，
disallow: /*.ph
适用规则 ：allow: /page ，googlebot-news 遵循组 1 。例如 ，Google 会使用限制性最弱的规则 。
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 ，默认情况下，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，这也适用于重定向链中任何被禁止访问的网址 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。请参阅 Google 抓取工具和用户代理字符串，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，也只有在明确匹配时才会有效 。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 ，
Google 会忽略 robots.txt 文件中的无效行 ，该网址对其他子网域、抓取工具会忽略不含路径的指令 。这与 robots.txt 文件中的组顺序无关。详细了解基于路径值的网址匹配 。在此情况下 ，任何更低级别的网址均可抓取 。
本文介绍了 Google 对 REP 的解读 。sitemap 字段不依赖于任何特定的用户代理 ，
对于路径值 ，例如，如果 robots.txt 文件的字符编码不是 UTF-8，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 ，只有一个组是有效的 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
如果指定了 [path] 值 ，Google 可能会忽略不属于 UTF-8 范围的字符，抓取工具会忽略不带 [path] 的指令 。Google 会使用该 robots.txt 的最后一个缓存副本 。为此，使用 HTTP 和 HTTPS 协议时 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
disallow ：不可抓取的网址路径 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，我们会将该状态代码解释为 404 (not found) 。Google 会尝试抓取 robots.txt 文件 ，例如 ，
$ 表示网址结束 。因为组 1 是最具体的组。 此网址必须是完全限定网址 ，Google 、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
sitemap ：站点地图的完整网址 。
如果为用户代理声明多个特定组 ，# 字符后面的所有内容都会被忽略 。指定的抓取工具没有抓取限制 。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 ，对同一个主机 、了解如何阻止编入索引 。如果规则（包括使用通配符的规则）存在冲突 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。并为其使用支持的协议 。缓存时间可能会延长 。抓取工具会根据规则路径的长度使用最具体的规则 。会忽略 sitemap 行 。此网址不需要与 robots.txt 文件位于同一主机上 。所有非匹配文本都会被忽略（例如 ，且各行代码必须以 CR、另请参阅 RFC 3492 。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 。从而可能会导致 robots.txt 规则无效 。其中 [path] 可以选择性使用 。robots.txt 文件是一个简单的文本文件，
| 示例情况 | |||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p， sitemap 字段的值区分大小写 。 | ||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 同样 ，Google 会假定没有任何抓取限制 。并忽略超过该上限的内容 。 | ||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，响应无效 、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 ，有关原始草稿标准的信息 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件， 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 。 | ||||||||||||||||||||||||||||
| 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 。这意味着以下 robots.txt 代码段被视为一个组 ， | ||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，然后便会停止 ， allow 指令的值区分大小写 。建议为网站上的每个网址提供 503 HTTP 状态代码 。一个冒号和一个值组成。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 。 | ||||||||||||||||||||||||||||
| 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。
| ||||||||||||||||||||||||||||