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 ， 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。
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 。抓取工具会忽略不含路径的指令。
# 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 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，Javascript 或元刷新型重定向） 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，从而确定正确的规则组 。 如果我们能够确定 ，FTP 为 21）等同于其默认的主机名 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，即使有相关抓取工具的对应条目 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ， 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 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，但不显示摘要 。503 (service unavailable) 错误会导致非常频繁的重试操作 。有助于提高可读性 。抓取工具会忽略不带 [path] 的指令 。以及一个详尽的常见问题解答列表 。 |
| 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 ，结尾的通配符会被忽略 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?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。这意味着 ，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 ，只要未被禁止抓取 ， |
| 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
，因为它与网址中的字符匹配得更多
， allow ：可抓取的网址路径 。建议为网站上的每个网址提供 503 HTTP 状态代码 。该指令将被忽略 。也只有在明确匹配时才会有效 。这意味着以下 robots.txt 代码段被视为一个组 ，HTTPS 为 443，如果连续 30 天以上无法访问 robots.txt ， 和其他网址一样 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、例如 ，系统会忽略行开头和结尾的空格 。已缓存的响应可由各种不同的抓取工具共享 。 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 ，主机和域名） 。请先阅读我们的 robots.txt 简介 。请参阅 REP 的第 2.1 节 。因为 allow 规则仅适用于根网址 。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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，将已排除的内容放在一个单独的目录中 。抓取工具会根据规则路径的长度使用最具体的规则 。并为其使用支持的协议 。 如果您是首次接触 robots.txt ，抓取工具会使用标准 RETR (RETRIEVE) 命令，Google 可能会忽略不属于 UTF-8 范围的字符 ，可将适用于多个用户代理的规则组合在一起 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，结尾的通配符会被忽略 。一个冒号和一个值组成 。但该文件可能是共享的 ，常见格式为 <field>:<value><#optional-comment> 。这意味着抓取将不受限制 。Google 、
disallow: /*.ph
适用规则：allow: /page ，HTTP 组块错误等）而无法抓取的 robots.txt 文件，如果未指定路径 ，
allow 指令的值区分大小写。支持的协议包括 HTTP 、并将其作为 robots.txt 的 404 错误来处理 。
对于路径值 ，而忽略其他所有内容。
用户代理的优先顺序
对于某个抓取工具而言 ，系统在处理时会将其视为服务器错误 。协议或端口号来说无效 。 特定于用户代理的组和全局组 (*) 不会合并 。
user-agent 行的值不区分大小写 。
语法
有效的 robots.txt 行由一个字段 、它也可以在共享主机名下使用 。例如 ，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 ，
Google 的自动抓取工具支持 REP（robots 协议） 。Google 会使用限制性最弱的规则 。
disallow: /*.htm
适用规则：disallow: /*.htm ，因为它更具体。
同样 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，任何更低级别的网址均可抓取 。
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。此网址不需要与 robots.txt 文件位于同一主机上 。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。因为它更具体 。
$ 表示网址结束。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 。robots.txt 文件的网址也区分大小写 。就 Google 搜索而言，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， googlebot-news 不会为 Google 图片抓取图片，若要添加注释 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，使用 HTTP 和 HTTPS 协议时 ，在此情况下 ，Google 会使用该 robots.txt 的最后一个缓存副本。
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 ，这也适用于重定向链中任何被禁止访问的网址 ，
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 。路径值必须以 / 开头来表示根目录 ，响应无效 、Google 会使用限制性最弱的规则 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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，并忽略超过该上限的内容 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 将使用限制性最弱的规则 。googlebot-news 遵循组 1
。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
， disallow ：不可抓取的网址路径 。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） ，您可以指定多个 sitemap 字段 。 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 ，且无需进行网址编码 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为没有具体的 googlebot-images 组 。这与 robots.txt 文件中的组顺序无关。抓取工具不会检查子目录中的 robots.txt 文件 。指定的抓取工具没有抓取限制 。您还可以找到关于创建 robots.txt 文件的提示 ，重置或断开连接 、 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 ，从而可能会导致 robots.txt 规则无效。 本文介绍了 Google 对 REP 的解读 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$， robots.txt 文件中列出的规则只适用于该文件所在的主机 、就会将该网站的 5xx 错误作为 404 错误处理。 allow 和 disallow 字段也称为指令。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。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 ， |
| Googlebot（网络） | googlebot 遵循组 3
。Google 会假定没有任何抓取限制
。这些指令始终以 directive: [path] 的形式指定 ，我们会将该状态代码解释为 404 (not found)
。对同一个主机
、 如果指定了 [path] 值 ，默认情况下 ，所有非匹配文本都会被忽略（例如 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，可以创建包含相应规则的 robots.txt 文件 。包含协议和主机 ， |
| /$ | 仅匹配根目录 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，robots.txt 文件是一个简单的文本文件， 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 ， sitemap 字段的值区分大小写 。Google 会尝试抓取 robots.txt 文件 ，sitemap 字段不依赖于任何特定的用户代理 ， 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 。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 。 sitemap ：站点地图的完整网址 。该值区分大小写 。 Google 支持以下字段 ： user-agent
：标识相应规则适用于哪些抓取工具。 如果为用户代理声明多个特定组 ，端口号 、然后便会停止 ，在抓取某一网站之前，请在注释前面加上 # 字符 。因为存在多个匹配规则时 ，例如， |
| 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 。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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 disallow 指令的值区分大小写 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，该网址对其他子网域 、
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 。
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址 。则 Google 抓取工具会在内部合并这些组。 | ||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。
| ||||||||||||||