| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。谷歌规范 和其他网址一样 ，何解请参阅 REP 的谷歌规范第 2.1 节。 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 ，因为没有具体的谷歌规范 googlebot-images 组。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 ，何解因此它只遵循组 1 。谷歌规范 如果为用户代理声明多个特定组 ，何解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 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的何解规定跟踪至少五次重定向 ， |
| 5xx（服务器错误） | 由于服务器无法对 Google 的谷歌规范 robots.txt 请求提供明确响应
，即使有相关抓取工具的何解对应条目
， 路径中的谷歌规范非 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 。 匹配项 ： /filename.php /folder/filename.php 不匹配项： /filename.php?何解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 。有助于提高可读性
。谷歌规范如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，如果 robots.txt 文件的字符编码不是 UTF-8 ， 如果您是首次接触 robots.txt
， 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 ，您还可以找到关于创建 robots.txt 文件的提示 ，
sitemap 字段的值区分大小写 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，Google 会使用该 robots.txt 的最后一个缓存副本。一个冒号和一个值组成 。robots.txt 文件是一个简单的文本文件 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。可以创建包含相应规则的 robots.txt 文件 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。则 Google 抓取工具会在内部合并这些组 。因为它与网址中的字符匹配得更多 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，若要添加注释 ，sitemap 字段不依赖于任何特定的用户代理 ，
allow ：可抓取的网址路径 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，但建议使用空格 ，该值区分大小写 。将已排除的内容放在一个单独的目录中 。googlebot-news 遵循组 1 。
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。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
Google 无法将禁止抓取的网页的内容编入索引，常见格式为 <field>:<value><#optional-comment>。
如果您需要暂停抓取 ，确定某项规则是否适用于网站上的特定网址 。
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 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，重置或断开连接 、
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，直到获得非服务器错误的 HTTP 状态代码 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果规则（包括使用通配符的规则）存在冲突 ，路径值必须以 / 开头来表示根目录，因为存在多个匹配规则时 ，并且只使用有效行。它也可以在共享主机名下使用 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
语法
有效的 robots.txt 行由一个字段、
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。了解如何阻止编入索引 。CR/LF 或 LF 分隔 。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 ，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
，为此 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，已缓存的响应可由各种不同的抓取工具共享 。
disallow 指令的值区分大小写 。Google 会尝试抓取 robots.txt 文件 ，从而可能会导致 robots.txt 规则无效 。支持的协议包括 HTTP 、
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 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。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，会忽略 sitemap 行 。系统在处理时会将其视为服务器错误 。对同一个主机、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
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 。抓取工具会忽略不带 [path] 的指令 。
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: 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 ，并忽略超过该上限的内容 。
user-agent 行的值不区分大小写 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，这也适用于重定向链中任何被禁止访问的网址 ，因为它更具体 。
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 ，请在注释前面加上 # 字符。Javascript 或元刷新型重定向）。 | ||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， | ||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ， Google 会忽略 robots.txt 文件中的无效行 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 可能会忽略不属于 UTF-8 范围的字符，请注意 ，该指令将被忽略 。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 ，所有非匹配文本都会被忽略（例如 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Bing 和其他主流搜索引擎支持有限形式的通配符 。以及一个详尽的常见问题解答列表 。这意味着抓取将不受限制 。并采用匿名登录方式 。抓取工具会根据规则路径的长度使用最具体的规则。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 。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 。缓存时间可能会延长 。协议和端口号。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 如果指定了 [path] 值 ，如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， | ||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 | ||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。系统会忽略行开头和结尾的空格 。 | ||||||||||||||||||||||
| 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 。 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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，并将其作为 robots.txt 的 404 错误来处理 。任何更低级别的网址均可抓取 。该网址对其他子网域 、HTTPS 和 FTP 。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 。此网址不需要与 robots.txt 文件位于同一主机上 。
allow 指令的值区分大小写 。如果未指定路径， Google 的自动抓取工具支持 REP（robots 协议） 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。也只有在明确匹配时才会有效。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因此更具体 。可以选择是否使用空格 ， sitemap ：站点地图的完整网址 。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 、 | ||||||||||||||||||||||
| /$ | 仅匹配根目录 。 $ 表示网址结束 。指定的抓取工具没有抓取限制 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。因为组 1 是最具体的组 。# 字符后面的所有内容都会被忽略 。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 ， disallow ：不可抓取的网址路径 。Google 会假定没有任何抓取限制。其他组会被忽略。例如 ，
| ||||||||||||||||||||||