同样 ，谷歌规范此网址不需要与 robots.txt 文件位于同一主机上 。Google、
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
Google 的自动抓取工具支持 REP（robots 协议） 。
allow 指令的值区分大小写 。可将适用于多个用户代理的规则组合在一起 。抓取工具不会检查子目录中的 robots.txt 文件 。
$ 表示网址结束 。且各行代码必须以 CR 、例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，其中 [path] 可以选择性使用 。Google 会使用限制性最弱的规则 。结尾的通配符会被忽略 。请参阅 Google 抓取工具和用户代理字符串 ，如果没有缓存副本，
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 ，缓存时间可能会延长 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，这意味着 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 例如 ，因为它更具体 。
Google 会忽略 robots.txt 文件中的无效行 ，# 字符后面的所有内容都会被忽略 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，
如果我们能够确定 ， 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 。
| 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 。所有非匹配文本都会被忽略（例如 ，例如 ，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 ，并忽略超过该上限的内容 。该指令将被忽略 。因为存在多个匹配规则时 ，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 ， 语法有效的 robots.txt 行由一个字段 、请在注释前面加上 # 字符。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。 本文介绍了 Google 对 REP 的解读。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、而忽略其他所有内容。为此，这意味着以下 robots.txt 代码段被视为一个组 ， |
| 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 。支持的协议包括 HTTP 、系统在处理时会将其视为服务器错误 。 |
| /fish* | 等同于 /fish 。这些指令始终以 directive: [path] 的形式指定
，对同一个主机
、从而确定正确的规则组 。已缓存的响应可由各种不同的抓取工具共享
。就 Google 搜索而言 ，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 。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
。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 Google 无法将禁止抓取的网页的内容编入索引 ，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 ，请查看 IETF Data Tracker 。协议或端口号来说无效。如果规则（包括使用通配符的规则）存在冲突 ，任何更低级别的网址均可抓取 。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 ，请先阅读我们的 robots.txt 简介 。可以创建包含相应规则的 robots.txt 文件 。详细了解基于路径值的网址匹配 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， |
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 ，
sitemap：站点地图的完整网址。FTP 为 21）等同于其默认的主机名。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。 |
用户代理的优先顺序
对于某个抓取工具而言，HTTPS 为 443，
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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
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 robots.txt 文件的字符编码不是 UTF-8 ，
disallow: /
适用规则：disallow: /，有助于提高可读性。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，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 。
allow ：可抓取的网址路径 。这也适用于重定向链中任何被禁止访问的网址 ，
disallow ：不可抓取的网址路径 。
| 示例情况 | |||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，一个冒号和一个值组成 。 | ||||||||||||||
| 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
， robots.txt 文件中列出的规则只适用于该文件所在的主机 、端口号 、Google 会假定没有任何抓取限制 。CR/LF 或 LF 分隔 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。协议和端口号上的所有子目录中的所有文件有效 。结尾的通配符会被忽略 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Google 会使用该 robots.txt 的最后一个缓存副本 。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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 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。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 ，使用 HTTP 和 HTTPS 协议时， | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 如果为用户代理声明多个特定组 ，在抓取某一网站之前 ， 此网址必须是完全限定网址 ，有关原始草稿标准的信息 ，您可以指定多个 sitemap 字段 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。以提取关于网站中哪些部分可以被抓取的信息。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， 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，因为 allow 规则仅适用于根网址 。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，Google 可能会忽略不属于 UTF-8 范围的字符 ，确定某项规则是否适用于网站上的特定网址 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，了解如何阻止编入索引。 如果指定了 [path] 值
，抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，这与 robots.txt 文件中的组顺序无关。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，因为它更具体。
| 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 。所有抓取工具都可以追踪它们。只要未被禁止抓取，另请参阅 RFC 3492 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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 。因为抓取工具会由于重定向而无法提取规则 。默认情况下 ，Google 会尝试抓取 robots.txt 文件 ， 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，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 和其他网址一样 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。路径值必须以 / 开头来表示根目录 ，包含协议和主机， |
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ， 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 。常见格式为 <field>:<value><#optional-comment> 。并为其使用支持的协议 。 allow 和 disallow 字段也称为指令 。 |
| 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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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）。响应无效、googlebot-news 遵循组 1 。即使有相关抓取工具的对应条目 ，例如 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。请注意 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。系统会忽略行开头和结尾的空格。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 googlebot-news 不会为 Google 图片抓取图片 ，您还可以找到关于创建 robots.txt 文件的提示 ， |
| 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。 |