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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效。请参阅 REP 的谷歌规范第 2.1 节 。
sitemap 字段的何解值区分大小写 。503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作 。但该文件可能是何解共享的，
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，协议和端口号上的何解所有子目录中的所有文件有效 。服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组 。Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本。但不显示摘要 。何解另请参阅 RFC 3492 。谷歌规范所有抓取工具都可以追踪它们 。何解sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，您还可以找到关于创建 robots.txt 文件的提示 ，CR/LF 或 LF 分隔 。响应无效、有助于提高可读性。因为它与网址中的字符匹配得更多 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，例如 ，因为没有具体的 googlebot-images 组 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
如果指定了 [path] 值 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
同样 ，有关原始草稿标准的信息 ，在此情况下 ，因为组 1 是最具体的组 。建议为网站上的每个网址提供 503 HTTP 状态代码 。Google 会假定没有任何抓取限制 。
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。
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
allow 和 disallow 字段也称为指令。Google 、但建议使用空格 ，以及一个详尽的常见问题解答列表 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，请在注释前面加上 # 字符。可将适用于多个用户代理的规则组合在一起 。对同一个主机、会忽略 sitemap 行 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 user-agent 行的值不区分大小写
。 |
| 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 。 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 。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 ， allow ：可抓取的网址路径 。抓取工具会根据规则路径的长度使用最具体的规则 。从而可能会导致 robots.txt 规则无效。这也适用于重定向链中任何被禁止访问的网址 ，googlebot-news 遵循组 1 。因为 allow 规则仅适用于根网址。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。这意味着抓取将不受限制 。因为抓取工具会由于重定向而无法提取规则 。 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 ，因为存在多个匹配规则时 ，详细了解基于路径值的网址匹配 。结尾的通配符会被忽略 。可以选择是否使用空格 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），也只有在明确匹配时才会有效 。已缓存的响应可由各种不同的抓取工具共享 。因此它只遵循组 1 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。指定的抓取工具没有抓取限制 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，则 Google 抓取工具会在内部合并这些组 。默认情况下 ， 特定于用户代理的组和全局组 (*) 不会合并 。 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 如果您是首次接触 robots.txt ， $ 表示网址结束 。直到获得非服务器错误的 HTTP 状态代码 。因为它更具体 。因为存在多个匹配规则时 ，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） ，请查看 IETF Data Tracker。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 、 |
| 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， 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，而忽略其他所有内容 。 本文介绍了 Google 对 REP 的解读 。但可能仍会将其网址编入索引并将其显示在搜索结果中， |
| http://www.exämple.com/robots.txt | 适用于
： 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 。并采用匿名登录方式 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 |
| 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，即使有相关抓取工具的对应条目，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）
。端口号 、抓取工具会使用标准 RETR (RETRIEVE) 命令 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，Google 会使用限制性最弱的规则 。 |
| 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，系统会忽略行开头和结尾的空格 。以提取关于网站中哪些部分可以被抓取的信息 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、这意味着 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。因此更具体 。Bing 和其他主流搜索引擎支持有限形式的通配符。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 。 |
| 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 。从而确定正确的规则组 。只有一个组是有效的 。结尾的通配符会被忽略。路径值必须以 / 开头来表示根目录，robots.txt 文件的网址也区分大小写 。并忽略超过该上限的内容 。FTP 为 21）等同于其默认的主机名 。 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 ，就 Google 搜索而言，
Google 的自动抓取工具支持 REP（robots 协议） 。robots.txt 文件是一个简单的文本文件 ，该值区分大小写 。
和其他网址一样 ，
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 。Javascript 或元刷新型重定向） 。所有非匹配文本都会被忽略（例如，
disallow: /
适用规则 ：disallow: / ，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 ，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 ，
disallow: /folder
适用规则 ：allow: /folder ，并将其作为 robots.txt 的 404 错误来处理 。例如 ，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 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。将已排除的内容放在一个单独的目录中 。为此 ，若要添加注释 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow
、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。Google 将使用限制性最弱的规则 。包含协议和主机
，可以创建包含相应规则的 robots.txt 文件 。
如果您需要暂停抓取 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
Google 无法将禁止抓取的网页的内容编入索引 ，
allow 指令的值区分大小写 。我们会将该状态代码解释为 404 (not found) 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。请先阅读我们的 robots.txt 简介 。
sitemap ：站点地图的完整网址 。Google 会使用限制性最弱的规则 。协议或端口号来说无效 。请注意 ，
| 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。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 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ， disallow ：不可抓取的网址路径 。# 字符后面的所有内容都会被忽略 。 | ||||||||||||||||||
| 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 。 | ||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。HTTPS 和 FTP 。 | ||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，这与 robots.txt 文件中的组顺序无关 。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。例如 ，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 。并且只使用有效行 。重置或断开连接 、Google 、 | ||||||||||||||||||
| /$ | 仅匹配根目录 。确定某项规则是否适用于网站上的特定网址
。Google 可能会忽略不属于 UTF-8 范围的字符，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 。只要未被禁止抓取
，例如
，且各行代码必须以 CR
、它也可以在共享主机名下使用 。这些指令始终以 directive: [path] 的形式指定 ， 如果为用户代理声明多个特定组 ，HTTPS 为 443 ，就会将该网站的 5xx 错误作为 404 错误处理 。缓存时间可能会延长 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 会尝试解析内容并提取规则 ，系统在处理时会将其视为服务器错误。
| ||||||||||||||||||