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，何解这些指令始终以 directive: [path] 的谷歌规范形式指定 ，HTTPS 为 443 ，何解503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作。并忽略超过该上限的何解内容 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、谷歌规范并将其作为 robots.txt 的何解 404 错误来处理 。robots.txt 文件的谷歌规范网址也区分大小写 。
对于路径值 ，何解抓取工具会根据规则路径的谷歌规范长度使用最具体的规则 。HTTP 组块错误等）而无法抓取的何解 robots.txt 文件 ，因为存在多个匹配规则时 ，谷歌规范该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、缓存时间可能会延长 。谷歌规范这意味着以下 robots.txt 代码段被视为一个组 ，
allow ：可抓取的网址路径。然后便会停止 ，
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 。
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 ，这与 robots.txt 文件中的组顺序无关 。
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 ，
disallow 指令的值区分大小写 。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。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 。并且只使用有效行 。这也适用于重定向链中任何被禁止访问的网址，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，有助于提高可读性。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，但不显示摘要 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，会忽略 sitemap 行 。
Google 会忽略 robots.txt 文件中的无效行 ，因为组 1 是最具体的组。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） ，
本文介绍了 Google 对 REP 的解读 。Google 会假定没有任何抓取限制 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，Javascript 或元刷新型重定向）。
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 。因为 allow 规则仅适用于根网址。以提取关于网站中哪些部分可以被抓取的信息 。
如果您需要暂停抓取 ，系统在处理时会将其视为服务器错误 。请在注释前面加上 # 字符。Google 会使用限制性最弱的规则 。建议为网站上的每个网址提供 503 HTTP 状态代码 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
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 ，所有非匹配文本都会被忽略（例如，因为没有具体的 googlebot-images 组
。
如果我们能够确定 ，
和其他网址一样 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
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 ，其他组会被忽略 。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 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，这意味着 ，请查看 IETF Data Tracker 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 例如 ， 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。# 字符后面的所有内容都会被忽略
。响应无效 、这意味着抓取将不受限制
。 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 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 Google 的自动抓取工具支持 REP（robots 协议） 。 allow 和 disallow 字段也称为指令 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， |
| 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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。从而确定正确的规则组 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、包含协议和主机， sitemap ：站点地图的完整网址 。 如果为用户代理声明多个特定组 ，即使有相关抓取工具的对应条目 ，因为它与网址中的字符匹配得更多 ， |
| 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 ， 如果指定了 [path] 值 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，如果规则（包括使用通配符的规则）存在冲突 ，该指令将被忽略 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。以及一个详尽的常见问题解答列表。 |
| 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。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，已缓存的响应可由各种不同的抓取工具共享 。 |
| 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 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 ，就 Google 搜索而言 ，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 。就会将该网站的 5xx 错误作为 404 错误处理 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
| 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。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，支持的协议包括 HTTP 、了解如何阻止编入索引 。 allow 指令的值区分大小写 。Google 会尝试抓取 robots.txt 文件 ，为此，因为抓取工具会由于重定向而无法提取规则 。 Google 无法将禁止抓取的网页的内容编入索引 ，您还可以找到关于创建 robots.txt 文件的提示 ，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 ，我们会将该状态代码解释为 404 (not found) 。则 Google 抓取工具会在内部合并这些组 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 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 。 $ 表示网址结束。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，指定的抓取工具没有抓取限制 。确定某项规则是否适用于网站上的特定网址
。直到获得非服务器错误的 HTTP 状态代码。您可以指定多个 sitemap 字段 。路径值必须以 / 开头来表示根目录
，请参阅 Google 抓取工具和用户代理字符串， 特定于用户代理的组和全局组 (*) 不会合并
。抓取工具不会检查子目录中的 robots.txt 文件 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，例如
，Google
、用户代理的优先顺序对于某个抓取工具而言 ，Google 将使用限制性最弱的规则 。HTTPS 和 FTP 。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 ，在此情况下 ，结尾的通配符会被忽略 。因此它只遵循组 1。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 。 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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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） 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，Google 会尝试解析内容并提取规则，其中 [path] 可以选择性使用 。 disallow ：不可抓取的网址路径 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，任何更低级别的网址均可抓取。并为其使用支持的协议 。请参阅 REP 的第 2.1 节 。只要未被禁止抓取 ，因为它更具体 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，FTP 为 21）等同于其默认的主机名。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。从而可能会导致 robots.txt 规则无效 。协议和端口号上的所有子目录中的所有文件有效 。该网址对其他子网域 、请注意，并采用匿名登录方式。Bing 和其他主流搜索引擎支持有限形式的通配符 。例如 ，
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
。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。只有一个组是有效的 。系统会忽略行开头和结尾的空格。抓取工具会忽略不带 [path] 的指令
。但该文件可能是共享的 ，一个冒号和一个值组成。端口号 、
user-agent 行的值不区分大小写 。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 ，
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。 | ||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。 | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，googlebot-news 遵循组 1 。详细了解基于路径值的网址匹配 。有关原始草稿标准的信息 ， 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 ，另请参阅 RFC 3492 。 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 ：
| ||||||||||||||||||