对于路径值，谷歌规范
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。何解
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
用户代理的优先顺序
对于某个抓取工具而言，请先阅读我们的 robots.txt 简介 。抓取工具会根据规则路径的长度使用最具体的规则 。
disallow: /
适用规则 ：allow: /$ ，这些指令始终以 directive: [path] 的形式指定 ，然后便会停止 ，会忽略 sitemap 行。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 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。结尾的通配符会被忽略 。请查看 IETF Data Tracker 。
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
，并将其作为 robots.txt 的 404 错误来处理 。
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
| 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，例如
，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。您可以指定多个 sitemap 字段。因为它更具体
。如果没有缓存副本
，例如
： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，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， | ||||
| Googlebot Images | googlebot-images 遵循组 2 ， | ||||
| Googlebot News（抓取图片时） | 抓取图片时 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||
| 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 。 | ||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，但建议使用空格 ， 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 。
规则的优先顺序匹配 robots.txt 规则与网址时，直到获得非服务器错误的 HTTP 状态代码 。 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 ， | ||||
| 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 ，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、 Google 无法将禁止抓取的网页的内容编入索引 ， | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm， | ||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，就会将该网站的 5xx 错误作为 404 错误处理 。Google 会尝试解析内容并提取规则 ，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） 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。在抓取某一网站之前 ，Google 会假定没有任何抓取限制 。即使有相关抓取工具的对应条目 ，支持的协议包括 HTTP 、 此网址必须是完全限定网址 ，
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 。一个冒号和一个值组成。
disallow: /folder
适用规则 ：allow: /folder ，您还可以找到关于创建 robots.txt 文件的提示 ，
disallow 指令的值区分大小写 。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） ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
本文介绍了 Google 对 REP 的解读 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。HTTPS 和 FTP 。所有非匹配文本都会被忽略（例如 ， 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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。确定某项规则是否适用于网站上的特定网址。为此，
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 。
| 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 。 | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 | ||||||||
| 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，其他组会被忽略 。Google 会使用该 robots.txt 的最后一个缓存副本 。因为它更具体。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
。Google 抓取工具会下载并解析该网站的 robots.txt 文件， 同样 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。 语法有效的 robots.txt 行由一个字段 、以及一个详尽的常见问题解答列表。 如果为用户代理声明多个特定组
，例如 ，并且只使用有效行
。默认情况下， | ||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。使用 HTTP 和 HTTPS 协议时 ，有助于提高可读性 。Javascript 或元刷新型重定向） 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，响应无效
、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 ， disallow：不可抓取的网址路径。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， | ||||||||
| /* | 等同于 /。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 。只有一个组是有效的。robots.txt 文件的网址也区分大小写 。因为 allow 规则仅适用于根网址 。请注意 ，robots.txt 文件是一个简单的文本文件 ，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 ，并忽略超过该上限的内容 。因为它与网址中的字符匹配得更多 ，可以选择是否使用空格 ， | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，# 字符后面的所有内容都会被忽略 。 user-agent 行的值不区分大小写。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，则 Google 抓取工具会在内部合并这些组 。对同一个主机 、将已排除的内容放在一个单独的目录中 。抓取工具不会检查子目录中的 robots.txt 文件 。因此更具体 。系统会忽略行开头和结尾的空格 。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 ，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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，此网址不需要与 robots.txt 文件位于同一主机上 。 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（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 。协议和端口号 。 | ||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，路径值必须以 / 开头来表示根目录 ，
sitemap 字段的值区分大小写 。包含协议和主机 ，
allow：可抓取的网址路径 。该指令将被忽略 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 特定于用户代理的组和全局组 (*) 不会合并 。
Google 会忽略 robots.txt 文件中的无效行，
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 ，在此情况下 ，但不显示摘要。因为组 1 是最具体的组 。因为存在多个匹配规则时 ，常见格式为 <field>:<value><#optional-comment>。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 googlebot-news 不会为 Google 图片抓取图片 ，
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 。它也可以在共享主机名下使用。详细了解基于路径值的网址匹配 。请在注释前面加上 # 字符 。重置或断开连接、
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，且各行代码必须以 CR、Google 将使用限制性最弱的规则。
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 。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 ，主机和域名） 。如果下载的内容是 Html 格式而非 robots.txt 规则，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
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 。只要未被禁止抓取 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
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 。Google 会尝试抓取 robots.txt 文件 ，
Google 的自动抓取工具支持 REP（robots 协议）。而忽略其他所有内容 。协议和端口号上的所有子目录中的所有文件有效。HTTPS 为 443 ，请参阅 REP 的第 2.1 节 。
$ 表示网址结束 。请参阅 Google 抓取工具和用户代理字符串 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、这意味着以下 robots.txt 代码段被视为一个组 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
allow 指令的值区分大小写 。并为其使用支持的协议 。就 Google 搜索而言 ，并采用匿名登录方式。
和其他网址一样，若要添加注释 ， 例如 ，缓存时间可能会延长 。我们会将该状态代码解释为 404 (not found) 。
allow 和 disallow 字段也称为指令
。
如果您需要暂停抓取 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。如果 robots.txt 文件的字符编码不是 UTF-8 ，有关原始草稿标准的信息 ，以提取关于网站中哪些部分可以被抓取的信息 。 |