user-agent 行的谷歌规范值不区分大小写 。只有一个组是何解有效的 。则这些组中适用于该特定用户代理的谷歌规范所有规则会在内部合并成一个组 。
同样 ，何解
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范
什么是何解 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，
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 ，因为存在多个匹配规则时 ，何解
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例。因此 user-agent a 和 b 均受 disallow: / 规则的何解影响：
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，指定的谷歌规范抓取工具没有抓取限制 。将已排除的何解内容放在一个单独的目录中。
allow 和 disallow 字段也称为指令。谷歌规范了解如何阻止编入索引 。何解任何更低级别的谷歌规范网址均可抓取 。系统会忽略行开头和结尾的空格。常见格式为 <field>:<value><#optional-comment>。# 字符后面的所有内容都会被忽略 。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，Bing 和其他主流搜索引擎支持有限形式的通配符
。
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
。为此，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 可能会忽略不属于 UTF-8 范围的字符 ，若要添加注释 ， googlebot-news 不会为 Google 图片抓取图片 ，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
，另请参阅 RFC 3492。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
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 。
和其他网址一样 ，已缓存的响应可由各种不同的抓取工具共享 。
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） ，结尾的通配符会被忽略 。Google 、响应无效 、Google 会尝试解析内容并提取规则 ，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，该指令将被忽略。您可以指定多个 sitemap 字段 。因为没有具体的 googlebot-images 组。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
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，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 ， 特定于用户代理的组和全局组 (*) 不会合并。协议和端口号上的所有子目录中的所有文件有效 。直到获得非服务器错误的 HTTP 状态代码 。您还可以找到关于创建 robots.txt 文件的提示 ，
sitemap ：站点地图的完整网址。且无需进行网址编码。
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 为 21）等同于其默认的主机名 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。robots.txt 文件的网址也区分大小写 。但建议使用空格 ，
$ 表示网址结束 。抓取工具会使用标准 RETR (RETRIEVE) 命令，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，确定某项规则是否适用于网站上的特定网址 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，默认情况下 ，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 。并且只使用有效行 。且各行代码必须以 CR 、
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
Google 的自动抓取工具支持 REP（robots 协议） 。
本文介绍了 Google 对 REP 的解读 。
disallow: /folder
适用规则：allow: /folder，Google 会使用限制性最弱的规则 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。Google 会尝试抓取 robots.txt 文件 ，缓存时间可能会延长 。使用 HTTP 和 HTTPS 协议时，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 ，因此它只遵循组 1 。
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
，因为存在多个匹配规则时 ，googlebot-news 遵循组 1。会忽略 sitemap 行 。然后便会停止 ，
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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。所有抓取工具都可以追踪它们。 | ||||||||||||||||||||
| /fish* | 等同于 /fish 。包含协议和主机 ，抓取工具会忽略不带 [path] 的指令 。 Google 无法将禁止抓取的网页的内容编入索引 ， 对于路径值，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 目前强制执行的 robots.txt 文件大小限制是 500 KiB，sitemap 字段不依赖于任何特定的用户代理 ，但不显示摘要 。因此更具体 。Google 会假定没有任何抓取限制 。例如 ，HTTPS 和 FTP 。 | ||||||||||||||||||||
| 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 。如果规则（包括使用通配符的规则）存在冲突 ， sitemap 字段的值区分大小写。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，路径值必须以 / 开头来表示根目录 ，也只有在明确匹配时才会有效。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 ，其中 [path] 可以选择性使用。 | ||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，并为其使用支持的协议 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、结尾的通配符会被忽略 。 如果您是首次接触 robots.txt ，请参阅 REP 的第 2.1 节 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符。就会将该网站的 5xx 错误作为 404 错误处理 。因为 allow 规则仅适用于根网址 。我们会将该状态代码解释为 404 (not found) 。 | ||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。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
。HTTPS 为 443，抓取工具会忽略不含路径的指令
。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，robots.txt 文件是一个简单的文本文件 ，则 Google 抓取工具会在内部合并这些组。协议和端口号。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
、 如果我们能够确定 ， | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，在此情况下 ，因为组 1 是最具体的组 。此网址不需要与 robots.txt 文件位于同一主机上 。请查看 IETF Data Tracker。Google 将使用限制性最弱的规则 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，但该文件可能是共享的 ， | ||||||||||||||||||||
| 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，协议或端口号来说无效
。用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 | ||||||||||||||||||||
| 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。端口号 、支持的协议包括 HTTP 、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 。如果未指定路径，系统在处理时会将其视为服务器错误 。 例如，这意味着 ， | ||||||||||||||||||||
| /* | 等同于 /。可以创建包含相应规则的 robots.txt 文件
。 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 。 | ||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 如果指定了 [path] 值 ， | ||||||||||||||||||||
| 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 。从而确定正确的规则组 。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） ，因为它与网址中的字符匹配得更多 ，即使有相关抓取工具的对应条目 ，如果没有缓存副本 ， allow 指令的值区分大小写。抓取工具不会检查子目录中的 robots.txt 文件。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。如果连续 30 天以上无法访问 robots.txt ，该值区分大小写 。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。可将适用于多个用户代理的规则组合在一起 。 此网址必须是完全限定网址 ，从而可能会导致 robots.txt 规则无效 。因为抓取工具会由于重定向而无法提取规则 。例如 ， Google 会忽略 robots.txt 文件中的无效行 ， 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 指令的值区分大小写 。 disallow ：不可抓取的网址路径 。 | ||||||||||||||||||||
| 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 ，这也适用于重定向链中任何被禁止访问的网址 ， 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 ：
| ||||||||||||||||||||