| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。谷歌规范 对于路径值 ，何解因此它只遵循组 1。谷歌规范服务器响应的何解 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。缓存时间可能会延长 。谷歌规范您还可以找到关于创建 robots.txt 文件的何解提示， disallow 指令的谷歌规范值区分大小写。如果 robots.txt 文件的何解字符编码不是 UTF-8 ，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 ，谷歌规范其中包含关于哪些抓取工具可以访问网站的何解哪些部分的规则。确定某项规则是谷歌规范否适用于网站上的特定网址 。有助于提高可读性。何解 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。系统会忽略行开头和结尾的何解空格。这些指令始终以 directive: [path] 的谷歌规范形式指定，抓取工具会忽略不含路径的指令 。常见格式为 <field>:<value><#optional-comment> 。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 ， 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 。其他组会被忽略 。可以选择是否使用空格 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 会使用限制性最弱的规则 。robots.txt 文件的网址也区分大小写 。# 字符后面的所有内容都会被忽略。
# 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，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，协议或端口号来说无效 。
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 ，从而确定正确的规则组 。HTTPS 为 443 ，如果下载的内容是 Html 格式而非 robots.txt 规则，以及一个详尽的常见问题解答列表。重置或断开连接 、
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，Google 会假定没有任何抓取限制 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 、
如果为用户代理声明多个特定组 ，支持的协议包括 HTTP 、
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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
语法
有效的 robots.txt 行由一个字段 、例如 ，请在注释前面加上 # 字符
。请参阅 REP 的第 2.1 节
。
如果我们能够确定 ，然后便会停止
，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
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 。如果连续 30 天以上无法访问 robots.txt ，
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 。系统在处理时会将其视为服务器错误 。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，
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
同样 ，即使有相关抓取工具的对应条目 ，该值区分大小写 。
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 ，并为其使用支持的协议 。 allow ：可抓取的网址路径 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， allow 和 disallow 字段也称为指令 。结尾的通配符会被忽略 。对同一个主机 、 本文介绍了 Google 对 REP 的解读 。但建议使用空格 ， 如果指定了 [path] 值 ，只要未被禁止抓取 ，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 ，因为它与网址中的字符匹配得更多 ， | ||||||||||||||||||||
| /fish* | 等同于 /fish。Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。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 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 用户代理的优先顺序对于某个抓取工具而言 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。为此， Google 无法将禁止抓取的网页的内容编入索引 ，Google 将使用限制性最弱的规则 。所有非匹配文本都会被忽略（例如 ， | ||||||||||||||||||||
| 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
，任何更低级别的网址均可抓取 。则 Google 抓取工具会在内部合并这些组 。 disallow ：不可抓取的网址路径 。直到获得非服务器错误的 HTTP 状态代码。路径值必须以 / 开头来表示根目录 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，抓取工具会根据规则路径的长度使用最具体的规则 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，但该文件可能是共享的 ，只有一个组是有效的 。它也可以在共享主机名下使用 。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 ， | ||||||||||||||||||||
| 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，
* 表示出现 0 次或多次的任何有效字符 。例如 ，因为组 1 是最具体的组 。就 Google 搜索而言，我们会将该状态代码解释为 404 (not found) 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Google 会尝试抓取 robots.txt 文件，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。Google 、 Google 会忽略 robots.txt 文件中的无效行 ，以提取关于网站中哪些部分可以被抓取的信息。Javascript 或元刷新型重定向） 。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） 。 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 ，抓取工具会忽略不带 [path] 的指令 。 | ||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，并采用匿名登录方式 。因为它更具体 。因此更具体。并忽略超过该上限的内容 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。该网址对其他子网域 、 user-agent 行的值不区分大小写 。因为存在多个匹配规则时 ，且无需进行网址编码 。 特定于用户代理的组和全局组 (*) 不会合并 。因为没有具体的 googlebot-images 组 。 此网址必须是完全限定网址 ，而忽略其他所有内容 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。有关原始草稿标准的信息 ，请注意 ，robots.txt 文件是一个简单的文本文件 ， allow 指令的值区分大小写。 | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 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。 | ||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 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， 如果您是首次接触 robots.txt，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，响应无效 、例如 ，因为它更具体 。例如 ，这也适用于重定向链中任何被禁止访问的网址 ，如果未指定路径 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，了解如何阻止编入索引 。主机和域名） 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。如果没有缓存副本 ，在抓取某一网站之前，FTP 为 21）等同于其默认的主机名 。所有抓取工具都可以追踪它们 。您可以指定多个 sitemap 字段。
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 。若要添加注释 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，但不显示摘要。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
Google 的自动抓取工具支持 REP（robots 协议） 。且各行代码必须以 CR 、
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。 sitemap 字段的值区分大小写 。这意味着以下 robots.txt 代码段被视为一个组 ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具
。 |