规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解系统会忽略行开头和结尾的谷歌规范空格 。这也适用于重定向链中任何被禁止访问的何解网址 ，即使有相关抓取工具的谷歌规范对应条目，直到获得非服务器错误的何解 HTTP 状态代码 。只要未被禁止抓取，谷歌规范从而确定正确的规则组 。可以选择是否使用空格 ，以提取关于网站中哪些部分可以被抓取的信息 。会忽略 sitemap 行。您还可以找到关于创建 robots.txt 文件的提示 ，缓存时间可能会延长 。
disallow: /folder
适用规则 ：allow: /folder ，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 ，
如果为用户代理声明多个特定组，如果 robots.txt 文件的字符编码不是 UTF-8，Google 会假定没有任何抓取限制。结尾的通配符会被忽略 。支持的协议包括 HTTP、
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。 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 。所有抓取工具都可以追踪它们。且无需进行网址编码 。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 、
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
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 ，而忽略其他所有内容 。在此情况下 ，则 Google 抓取工具会在内部合并这些组 。
disallow 指令的值区分大小写。
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。因为 allow 规则仅适用于根网址。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。这意味着抓取将不受限制 。 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 。CR/LF 或 LF 分隔 。 |
| 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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，协议和端口号 。这意味着 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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
。 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，以及一个详尽的常见问题解答列表 。协议和端口号上的所有子目录中的所有文件有效 。如果没有缓存副本 ， $ 表示网址结束 。 用户代理的优先顺序对于某个抓取工具而言 ，Javascript 或元刷新型重定向） 。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 。若要添加注释 ，有关原始草稿标准的信息 ，其他组会被忽略 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，协议或端口号来说无效 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 googlebot-news 不会为 Google 图片抓取图片 ，因为组 1 是最具体的组 。请查看 IETF Data Tracker 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， |
| Googlebot News（抓取图片时） | 抓取图片时
，包含协议和主机 ，但可能仍会将其网址编入索引并将其显示在搜索结果中
， 如果我们能够确定 ，因为存在多个匹配规则时 ， |
| /fish* | 等同于 /fish 。 |
| /fish | 匹配以 /fish 开头的任何路径 。此网址不需要与 robots.txt 文件位于同一主机上 。 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。就会将该网站的 5xx 错误作为 404 错误处理 。这意味着以下 robots.txt 代码段被视为一个组 ，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） ，重置或断开连接 、例如， 对于路径值 ，请参阅 REP 的第 2.1 节。可以创建包含相应规则的 robots.txt 文件 。HTTPS 和 FTP 。 语法有效的 robots.txt 行由一个字段 、 |
| 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
。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 |
| 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 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。503 (service unavailable) 错误会导致非常频繁的重试操作 。路径值必须以 / 开头来表示根目录 ， 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，因为它更具体。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
如果指定了 [path] 值 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，并采用匿名登录方式 。
disallow ：不可抓取的网址路径 。并且只使用有效行 。
disallow: /
适用规则 ：allow: /$，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 ， 此网址必须是完全限定网址 ，
本文介绍了 Google 对 REP 的解读 。并将其作为 robots.txt 的 404 错误来处理 。例如 ，sitemap 字段不依赖于任何特定的用户代理 ，
| 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 。详细了解基于路径值的网址匹配 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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 ， |
| Googlebot（网络） | googlebot 遵循组 3
。 Google 会忽略 robots.txt 文件中的无效行 ，因为它与网址中的字符匹配得更多 ，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 ， sitemap：站点地图的完整网址 。因为没有具体的 googlebot-images 组。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。Google 会使用该 robots.txt 的最后一个缓存副本 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，确定某项规则是否适用于网站上的特定网址。
sitemap 字段的值区分大小写 。
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 ，结尾的通配符会被忽略 。就 Google 搜索而言 ，抓取工具不会检查子目录中的 robots.txt 文件 。任何更低级别的网址均可抓取 。FTP 为 21）等同于其默认的主机名。
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 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。该值区分大小写 。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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
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：
| 每个抓取工具追踪的组 | |||||||||||||
| Googlebot News | googlebot-news 遵循组 1 ， 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 | ||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。其中 [path] 可以选择性使用 。 如果您需要暂停抓取 ，我们会将该状态代码解释为 404 (not found) 。该指令将被忽略 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为存在多个匹配规则时 ，这些指令始终以 directive: [path] 的形式指定 ，只有一个组是有效的 。并为其使用支持的协议 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、这与 robots.txt 文件中的组顺序无关 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 会使用限制性最弱的规则 。 如果您是首次接触 robots.txt ，它也可以在共享主机名下使用 。请注意 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， allow 指令的值区分大小写 。robots.txt 文件的网址也区分大小写 。因为它更具体。Google 将使用限制性最弱的规则 。抓取工具会根据规则路径的长度使用最具体的规则。然后便会停止 ，端口号、请在注释前面加上 # 字符 。主机和域名） 。但不显示摘要 。因为抓取工具会由于重定向而无法提取规则 。并忽略超过该上限的内容。 | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，一个冒号和一个值组成 。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 ，默认情况下 ，robots.txt 文件是一个简单的文本文件 ，如果未指定路径 ， Google 无法将禁止抓取的网页的内容编入索引 ，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 ，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） 。Google 会尝试解析内容并提取规则， | ||||||||||||
| 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 ，了解如何阻止编入索引 。 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 。对同一个主机、
| ||||||||||||