匹配项：
/fish.php
/fishheads/catfish.php?谷歌规范parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，HTTP 组块错误等）而无法抓取的何解 robots.txt 文件 ，端口号
、谷歌规范任何更低级别的何解网址均可抓取 。
匹配项 ：
/fish/
/animals/fish/
/fish/?谷歌规范id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。何解所有抓取工具都可以追踪它们 。谷歌规范因为它更具体。何解
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
如果指定了 [path] 值 ，响应无效 、详细了解基于路径值的网址匹配。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，这些指令始终以 directive: [path] 的形式指定 ，就会将该网站的 5xx 错误作为 404 错误处理 。Google 、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，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 。
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 ， googlebot-news 不会为 Google 图片抓取图片，因为组 1 是最具体的组 。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 。
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 。因为它与网址中的字符匹配得更多 ，指定的抓取工具没有抓取限制 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 会使用限制性最弱的规则 。 例如 ，
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 ，
匹配项
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。
allow 指令的值区分大小写 。以提取关于网站中哪些部分可以被抓取的信息。此网址不需要与 robots.txt 文件位于同一主机上。Google 会使用该 robots.txt 的最后一个缓存副本 。 此网址必须是完全限定网址 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，因为抓取工具会由于重定向而无法提取规则 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、因此更具体。
同样 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。
allow ：可抓取的网址路径 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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 的自动抓取工具支持 REP（robots 协议） 。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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。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 。我们会将该状态代码解释为 404 (not found) 。可以选择是否使用空格 ，并将其作为 robots.txt 的 404 错误来处理 。
disallow 指令的值区分大小写 。直到获得非服务器错误的 HTTP 状态代码 。例如 ，Javascript 或元刷新型重定向） 。这也适用于重定向链中任何被禁止访问的网址 ，您还可以找到关于创建 robots.txt 文件的提示 ，
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，Google 会假定没有任何抓取限制。该网址对其他子网域 、 | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，也只有在明确匹配时才会有效 。对同一个主机、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 ，该值区分大小写。支持的协议包括 HTTP 、因为存在多个匹配规则时 ， 特定于用户代理的组和全局组 (*) 不会合并 。另请参阅 RFC 3492 。因为没有具体的 googlebot-images 组。只要未被禁止抓取 ，即使有相关抓取工具的对应条目 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因此它只遵循组 1 。在抓取某一网站之前 ，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）。因为它更具体 。Google 会使用限制性最弱的规则 。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 ，请在注释前面加上 # 字符。robots.txt 文件的网址也区分大小写 。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 ，并为其使用支持的协议 。这意味着，请查看 IETF Data Tracker。 | ||||||||
| Googlebot（网络） | googlebot 遵循组 3
。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。所有非匹配文本都会被忽略（例如，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，则 Google 抓取工具会在内部合并这些组 。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） ，缓存时间可能会延长 。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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。这与 robots.txt 文件中的组顺序无关 。 sitemap：站点地图的完整网址 。 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 。 对于路径值， | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，如果下载的内容是 Html 格式而非 robots.txt 规则，结尾的通配符会被忽略。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，并采用匿名登录方式。 | ||||||||
| 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 。 | ||||||||
| 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 ，默认情况下 ，如果连续 30 天以上无法访问 robots.txt， 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。 | ||||||||
| /* | 等同于 / 。语法有效的 robots.txt 行由一个字段、而忽略其他所有内容 。从而可能会导致 robots.txt 规则无效 。 $ 表示网址结束 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 ，HTTPS 和 FTP 。这意味着以下 robots.txt 代码段被视为一个组
，了解如何阻止编入索引 。该指令将被忽略 。Google 可能会忽略不属于 UTF-8 范围的字符 ， Google 无法将禁止抓取的网页的内容编入索引 ， 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 ， 本文介绍了 Google 对 REP 的解读 。 | ||||||||
| Googlebot Images | googlebot-images 遵循组 2
， 如果为用户代理声明多个特定组 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 disallow：不可抓取的网址路径。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。您可以指定多个 sitemap 字段 。会忽略 sitemap 行 。就 Google 搜索而言 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，包含协议和主机 ，但建议使用空格 ，并且只使用有效行 。它也可以在共享主机名下使用 。路径值必须以 / 开头来表示根目录 ，抓取工具会忽略不带 [path] 的指令 。只有一个组是有效的 。但该文件可能是共享的 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。若要添加注释，已缓存的响应可由各种不同的抓取工具共享 。googlebot-news 遵循组 1 。重置或断开连接 、 sitemap 字段的值区分大小写 。 | ||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，因为 allow 规则仅适用于根网址。Bing 和其他主流搜索引擎支持有限形式的通配符。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 会忽略 robots.txt 文件中的无效行 ，抓取工具会忽略不含路径的指令。 allow 和 disallow 字段也称为指令 。使用 HTTP 和 HTTPS 协议时 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，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 。其他组会被忽略 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||
用户代理的优先顺序
对于某个抓取工具而言 ，抓取工具会根据规则路径的长度使用最具体的规则 。主机和域名）。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，
| 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 。503 (service unavailable) 错误会导致非常频繁的重试操作。
| ||||||||||