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Google 将使用限制性最弱的何解规则。请注意 ，谷歌规范
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项
：
/Fish.asp
/catfish
/?id=fish
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 。缓存时间可能会延长 。谷歌规范
allow ：可抓取的网址路径 。协议或端口号来说无效 。因为它与网址中的字符匹配得更多 ，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 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，HTTPS 为 443 ，Google 、
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 。在此情况下 ，可将适用于多个用户代理的规则组合在一起 。
disallow: /
适用规则 ：allow: /$ ，
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 。就 Google 搜索而言 ，以及一个详尽的常见问题解答列表 。这意味着以下 robots.txt 代码段被视为一个组 ，
用户代理的优先顺序
对于某个抓取工具而言 ，因为没有具体的 googlebot-images 组 。因为存在多个匹配规则时 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，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) 。
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 。结尾的通配符会被忽略。协议和端口号 。例如 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，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 ， 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 。但该文件可能是共享的 ，因此它只遵循组 1。路径值必须以 / 开头来表示根目录 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，了解如何阻止编入索引 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。您还可以找到关于创建 robots.txt 文件的提示 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ， 例如 ，该网址对其他子网域 、
| 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
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 ， robots.txt 文件中列出的规则只适用于该文件所在的主机、则 Google 抓取工具会在内部合并这些组 。默认情况下 ， 如果为用户代理声明多个特定组 ，且无需进行网址编码 。响应无效 、 语法有效的 robots.txt 行由一个字段 、并忽略超过该上限的内容 。所有抓取工具都可以追踪它们 。 Google 的自动抓取工具支持 REP（robots 协议） 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， googlebot-news 不会为 Google 图片抓取图片 ，只有一个组是有效的 。从而可能会导致 robots.txt 规则无效 。如果连续 30 天以上无法访问 robots.txt ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。抓取工具会根据规则路径的长度使用最具体的规则 。 本文介绍了 Google 对 REP 的解读
。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。已缓存的响应可由各种不同的抓取工具共享 。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
。并且只使用有效行
。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，robots.txt 文件是一个简单的文本文件，建议为网站上的每个网址提供 503 HTTP 状态代码 。
如果我们能够确定，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。重置或断开连接 、
allow 和 disallow 字段也称为指令 。
sitemap 字段的值区分大小写 。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 、
disallow 指令的值区分大小写 。
user-agent 行的值不区分大小写。如果未指定路径 ，为此 ，请参阅 Google 抓取工具和用户代理字符串 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Google 会使用该 robots.txt 的最后一个缓存副本 。请先阅读我们的 robots.txt 简介 。协议和端口号上的所有子目录中的所有文件有效。 特定于用户代理的组和全局组 (*) 不会合并 。例如，包含协议和主机，例如 ，
Google 无法将禁止抓取的网页的内容编入索引 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。如果规则（包括使用通配符的规则）存在冲突
，HTTPS 和 FTP 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，请在注释前面加上 # 字符 。
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。
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 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 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 。因为组 1 是最具体的组 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址
。 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
。Google 会尝试抓取 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 。 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 ，指定的抓取工具没有抓取限制 。该值区分大小写 。以提取关于网站中哪些部分可以被抓取的信息 。若要添加注释 ，googlebot-news 遵循组 1。 和其他网址一样 ，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 。此网址不需要与 robots.txt 文件位于同一主机上 。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 会尝试解析内容并提取规则 ， | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，这也适用于重定向链中任何被禁止访问的网址 ， Google 会忽略 robots.txt 文件中的无效行 ，也只有在明确匹配时才会有效 。 $ 表示网址结束 。所有非匹配文本都会被忽略（例如 ， | ||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，Google 会使用限制性最弱的规则。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 如果指定了 [path] 值 ，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。而忽略其他所有内容 。可以选择是否使用空格 ，该指令将被忽略。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 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 。因为它更具体 。直到获得非服务器错误的 HTTP 状态代码 。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） ， 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://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 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 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。因为 allow 规则仅适用于根网址 。将已排除的内容放在一个单独的目录中 。 disallow ：不可抓取的网址路径。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，即使有相关抓取工具的对应条目 ， 此网址必须是完全限定网址， allow 指令的值区分大小写 。 同样 ，请查看 IETF Data Tracker 。 | ||||
| 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 ，这与 robots.txt 文件中的组顺序无关 。 对于路径值
， sitemap ：站点地图的完整网址 。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 。 | ||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、但建议使用空格，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
，任何更低级别的网址均可抓取
。robots.txt 文件的网址也区分大小写 。从而确定正确的规则组。详细了解基于路径值的网址匹配 。只要未被禁止抓取 ， | ||||