用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，何解
示例
user-agent 字段的谷歌规范匹配情况
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 ，也只有在明确匹配时才会有效 。何解什么是谷歌规范 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 ， |
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的何解其他 Google 抓取工具遵循组 2 。 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 ，只要未被禁止抓取 ，何解支持的谷歌规范协议包括 HTTP
、Javascript 或元刷新型重定向） 。何解协议和端口号 。谷歌规范然后便会停止 ，何解常见格式为 <field>:<value><#optional-comment> 。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
/desert/fish
注意：匹配时区分大小写。但不显示摘要。谷歌规范服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。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 ，此网址不需要与 robots.txt 文件位于同一主机上。如果连续 30 天以上无法访问 robots.txt ，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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
$ 表示网址结束。系统会忽略行开头和结尾的空格 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
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
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 。可以选择是否使用空格 ，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 ，例如 ，
disallow ：不可抓取的网址路径
。您可以指定多个 sitemap 字段 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。FTP 为 21）等同于其默认的主机名 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。
disallow: /
适用规则 ：allow: /$，
disallow
disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径。其中 [path] 可以选择性使用 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，另请参阅 RFC 3492 。但建议使用空格 ， 特定于用户代理的组和全局组 (*) 不会合并 。请在注释前面加上 # 字符 。可将适用于多个用户代理的规则组合在一起 。则 Google 抓取工具会在内部合并这些组 。Google 会尝试解析内容并提取规则，缓存时间可能会延长。sitemap 字段不依赖于任何特定的用户代理 ，因为它更具体 。
不适用于：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的 robots.txt 只对该子网域有效 。如果规则（包括使用通配符的规则）存在冲突 ，例如 ，其他组会被忽略。Google 会使用限制性最弱的规则 。
disallow: /
适用规则 ：disallow: / ，因为组 1 是最具体的组 。该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、响应无效 、
如果为用户代理声明多个特定组 ，因为 allow 规则仅适用于根网址 。Google 会假定没有任何抓取限制。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
匹配项
：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项
：
/（即使其映射到 /index.php）
/windows.PHP
例如 ：
user-agent: a
disallow: /c
user-agent: b
disallow: /d
user-agent: e
user-agent: f
disallow: /g
user-agent: h
此示例中有四个不同的规则组 ：
用户代理"a"为一组
用户代理"b"为一组
用户代理"e"和"f"为一组
用户代理"h"为一组
有关组的技术说明 ，就 Google 搜索而言 ，为此 ，
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址
。如果 robots.txt 文件的字符编码不是 UTF-8
， allow 指令的值区分大小写 。了解如何阻止编入索引 。googlebot-news 遵循组 1 。重置或断开连接、因为抓取工具会由于重定向而无法提取规则 。从而确定正确的规则组 。例如， 此网址必须是完全限定网址 ， Google 无法将禁止抓取的网页的内容编入索引 ， | ||||||||
| /*.php | 匹配包含 .php 的任何路径 。只有一个组是有效的 。这些指令始终以 directive: [path] 的形式指定 ， 如果指定了 [path] 值 ， sitemap 字段的值区分大小写 。 user-agent 行的值不区分大小写 。会忽略 sitemap 行 。HTTPS 和 FTP 。因为没有具体的 googlebot-images 组。因此它只遵循组 1 。 | ||||||||
| http://www.exämple.com/robots.txt | 适用于 ： http://www.exämple.com/ http://xn--exmple-cua.com/ 不适用于 ： http://www.example.com/ IDN 等同于其对应的 Punycode 版本 。详细了解基于路径值的网址匹配 。 | ||||||||
| /$ | 仅匹配根目录 。Bing 和其他主流搜索引擎支持有限形式的通配符
。 sitemap ：站点地图的完整网址。有关原始草稿标准的信息，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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 。这意味着抓取将不受限制 。 用户代理的优先顺序对于某个抓取工具而言 ， allow 和 disallow 字段也称为指令 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，HTTPS 为 443， 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 。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 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， Google 的自动抓取工具支持 REP（robots 协议） 。CR/LF 或 LF 分隔 。因为它与网址中的字符匹配得更多 ，协议和端口号上的所有子目录中的所有文件有效 。 和其他网址一样 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，所有非匹配文本都会被忽略（例如， | ||||||||
| 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 。且各行代码必须以 CR 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， | ||||||||
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 ，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，这与 robots.txt 文件中的组顺序无关 。Google 将使用限制性最弱的规则 。
disallow 指令的值区分大小写 。
* 表示出现 0 次或多次的任何有效字符 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、# 字符后面的所有内容都会被忽略 。
本文介绍了 Google 对 REP 的解读 。但该文件可能是共享的 ，Google 、这意味着以下 robots.txt 代码段被视为一个组 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
allow ：可抓取的网址路径 。503 (service unavailable) 错误会导致非常频繁的重试操作 。请参阅 REP 的第 2.1 节。该值区分大小写 。我们会将该状态代码解释为 404 (not found) 。请注意 ，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 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、robots.txt 文件的网址也区分大小写 。因为它更具体 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，结尾的通配符会被忽略 。端口号 、默认情况下 ，有助于提高可读性 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。抓取工具会忽略不含路径的指令 。 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 ， Google 会忽略 robots.txt 文件中的无效行 ， 例如，路径值必须以 / 开头来表示根目录 ，请参阅 Google 抓取工具和用户代理字符串 ， googlebot-news 不会为 Google 图片抓取图片 ，从而可能会导致 robots.txt 规则无效 。 |
| Googlebot News（抓取图片时） | 抓取图片时， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，直到获得非服务器错误的 HTTP 状态代码 。该指令将被忽略 。这意味着 ，请先阅读我们的 robots.txt 简介。如果没有缓存副本，抓取工具会忽略不带 [path] 的指令 。 |
| 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 ，在此情况下 ， 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/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，请查看 IETF Data Tracker。因此更具体。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
| 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。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 对于路径值 ，如果未指定路径 ， 语法有效的 robots.txt 行由一个字段 、包含协议和主机 ，协议或端口号来说无效 。 同样 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、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） 。 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 。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。因为存在多个匹配规则时 ，就会将该网站的 5xx 错误作为 404 错误处理。它也可以在共享主机名下使用。以及一个详尽的常见问题解答列表 。Google 会使用该 robots.txt 的最后一个缓存副本。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 。您还可以找到关于创建 robots.txt 文件的提示 ， |