如果我们能够确定 ，谷歌规范
Google 无法将禁止抓取的何解网页的内容编入索引 ，因为它与网址中的谷歌规范字符匹配得更多，这也适用于重定向链中任何被禁止访问的何解网址 ，抓取工具会忽略不含路径的谷歌规范指令 。Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段 。 此网址必须是谷歌规范完全限定网址 ，请参阅 Google 抓取工具和用户代理字符串 ，何解但在无法刷新缓存版本的谷歌规范情况下（例如出现超时或 5xx 错误时） ，
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于：
http://www.example.com/
IDN 等同于其对应的何解 Punycode 版本。
如果为用户代理声明多个特定组 ，谷歌规范请参阅 REP 的何解第 2.1 节 。缓存时间可能会延长 。谷歌规范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 ，CR/LF 或 LF 分隔 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。常见格式为 <field>:<value><#optional-comment>。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
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 ，
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
allow ：可抓取的网址路径 。请注意 ，
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 ，robots.txt 文件是一个简单的文本文件 ，以及一个详尽的常见问题解答列表。抓取工具不会检查子目录中的 robots.txt 文件。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。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、已缓存的响应可由各种不同的抓取工具共享
。抓取工具会忽略不带 [path] 的指令
。并且只使用有效行。但不显示摘要 。
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，将已排除的内容放在一个单独的目录中 。请在注释前面加上 # 字符 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。这意味着抓取将不受限制。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，包含协议和主机 ，Google 会使用限制性最弱的规则。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 ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。抓取工具会根据规则路径的长度使用最具体的规则 。 特定于用户代理的组和全局组 (*) 不会合并 。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 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，系统在处理时会将其视为服务器错误 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，主机和域名） 。 |
| 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://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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 。在抓取某一网站之前 ， googlebot-news 不会为 Google 图片抓取图片 ， |
| Googlebot News（抓取图片时） | 抓取图片时 ，协议和端口号。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 ，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 ， |
| 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 。然后便会停止
，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 本文介绍了 Google 对 REP 的解读 。 |
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 。就会将该网站的 5xx 错误作为 404 错误处理 。该指令将被忽略。
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
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 ，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 ，确定某项规则是否适用于网站上的特定网址 。默认情况下 ，也只有在明确匹配时才会有效 。
$ 表示网址结束 。
sitemap 字段的值区分大小写 。可以选择是否使用空格，
如果您需要暂停抓取
，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） 。因为没有具体的 googlebot-images 组。所有非匹配文本都会被忽略（例如 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。例如，重置或断开连接 、503 (service unavailable) 错误会导致非常频繁的重试操作 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
sitemap ：站点地图的完整网址 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
如果指定了 [path] 值 ，则 Google 抓取工具会在内部合并这些组 。
Google 的自动抓取工具支持 REP（robots 协议） 。
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
同样 ，因此更具体 。因为组 1 是最具体的组。
disallow 指令的值区分大小写 。只要未被禁止抓取 ，您还可以找到关于创建 robots.txt 文件的提示 ，这些指令始终以 directive: [path] 的形式指定，您可以指定多个 sitemap 字段 。因为抓取工具会由于重定向而无法提取规则。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
disallow: /*.ph
适用规则 ：allow: /page ，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、并采用匿名登录方式。并将其作为 robots.txt 的 404 错误来处理 。例如，
用户代理的优先顺序
对于某个抓取工具而言 ，因为存在多个匹配规则时 ，
allow 指令的值区分大小写 。Google 可能会忽略不属于 UTF-8 范围的字符，
allow 和 disallow 字段也称为指令 。Google 会使用该 robots.txt 的最后一个缓存副本 。我们会将该状态代码解释为 404 (not found) 。可将适用于多个用户代理的规则组合在一起。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
对于路径值，# 字符后面的所有内容都会被忽略 。会忽略 sitemap 行 。Google 、如果 robots.txt 文件的字符编码不是 UTF-8 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，Bing 和其他主流搜索引擎支持有限形式的通配符。
| 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。但该文件可能是共享的 ，且各行代码必须以 CR 、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。 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。因为它更具体 。系统会忽略行开头和结尾的空格。因为它更具体 。在此情况下 ， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径。这意味着以下 robots.txt 代码段被视为一个组 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，详细了解基于路径值的网址匹配 。有关原始草稿标准的信息 ，使用 HTTP 和 HTTPS 协议时 ，为此 ，此网址不需要与 robots.txt 文件位于同一主机上 。请先阅读我们的 robots.txt 简介 。所有抓取工具都可以追踪它们 。响应无效 、 disallow ：不可抓取的网址路径 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、该值区分大小写 。 |
| /fish | 匹配以 /fish 开头的任何路径 。因为存在多个匹配规则时，Google 将使用限制性最弱的规则。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，指定的抓取工具没有抓取限制 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，googlebot-news 遵循组 1 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
，一个冒号和一个值组成
。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、对同一个主机 、抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 例如，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 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，但可能仍会将其网址编入索引并将其显示在搜索结果中，并为其使用支持的协议 。
语法
有效的 robots.txt 行由一个字段 、端口号 、
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 ， |
| 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
，其他组会被忽略 。 如果您是首次接触 robots.txt
，Javascript 或元刷新型重定向）
。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 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 。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，HTTPS 和 FTP 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，直到获得非服务器错误的 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
。协议和端口号上的所有子目录中的所有文件有效。可以创建包含相应规则的 robots.txt 文件
。如果连续 30 天以上无法访问 robots.txt ，即使有相关抓取工具的对应条目 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
和其他网址一样 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。从而可能会导致 robots.txt 规则无效。了解如何阻止编入索引 。Google 会使用限制性最弱的规则。支持的协议包括 HTTP 、例如 ，sitemap 字段不依赖于任何特定的用户代理 ，如果规则（包括使用通配符的规则）存在冲突 ，其中 [path] 可以选择性使用 。路径值必须以 / 开头来表示根目录 ，
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，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 ， | ||||
| /$ | 仅匹配根目录 。结尾的通配符会被忽略
。 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。 user-agent 行的值不区分大小写。 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 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 。 | ||||
| ftp://example.com/robots.txt | 适用于： ftp://example.com/ 不适用于 ： http://example.com/ | ||||
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 。Google 、如果未指定路径 ，这与 robots.txt 文件中的组顺序无关。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。且无需进行网址编码 。因此它只遵循组 1。 | ||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。
| ||||