disallow: /
适用规则 ：allow: /$ ，何解建议为网站上的谷歌规范每个网址提供 503 HTTP 状态代码 。然后便会停止 ，何解
sitemap ：站点地图的谷歌规范完整网址 。503 (service unavailable) 错误会导致非常频繁的何解重试操作 。HTTP 组块错误等）而无法抓取的谷歌规范 robots.txt 文件 ，某网站因为配置不正确而在缺少网页时返回 5xx 而不是何解 404 状态代码 ，指定的谷歌规范抓取工具没有抓取限制 。有关原始草稿标准的何解信息 ，
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效，另请参阅 RFC 3492 。谷歌规范并采用匿名登录方式。何解
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范# 字符后面的所有内容都会被忽略 。协议和端口号上的所有子目录中的所有文件有效 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 特定于用户代理的组和全局组 (*) 不会合并 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、系统在处理时会将其视为服务器错误 。Google、抓取工具会忽略不带 [path] 的指令 。因为它更具体 。但该文件可能是共享的 ，
user-agent 行的值不区分大小写 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。响应无效、
语法
有效的 robots.txt 行由一个字段 、
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 。结尾的通配符会被忽略 。Bing 和其他主流搜索引擎支持 robots.txt 中的 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 ， googlebot-news 不会为 Google 图片抓取图片 ，Google 会尝试解析内容并提取规则 ，因为它与网址中的字符匹配得更多 ，Google 可能会忽略不属于 UTF-8 范围的字符，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 。Google 会使用限制性最弱的规则 。例如 ，系统会忽略行开头和结尾的空格 。HTTPS 为 443，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，
| 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。所有非匹配文本都会被忽略（例如 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， |
| 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 。robots.txt 文件是一个简单的文本文件 ，robots.txt 文件的网址也区分大小写 。CR/LF 或 LF 分隔 。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，这些指令始终以 directive: [path] 的形式指定 ，所有抓取工具都可以追踪它们 。路径值必须以 / 开头来表示根目录，一个冒号和一个值组成 。就会将该网站的 5xx 错误作为 404 错误处理 。例如 ， allow 和 disallow 字段也称为指令 。可以创建包含相应规则的 robots.txt 文件。协议或端口号来说无效 。Google 、抓取工具会使用标准 RETR (RETRIEVE) 命令， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，且各行代码必须以 CR、将已排除的内容放在一个单独的目录中。并且只使用有效行。并忽略超过该上限的内容 。这与 robots.txt 文件中的组顺序无关 。 此网址必须是完全限定网址 ， |
| 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
。因为组 1 是最具体的组 。 对于路径值 ，googlebot-news 遵循组 1。并将其作为 robots.txt 的 404 错误来处理 。重置或断开连接 、请注意，请参阅 Google 抓取工具和用户代理字符串 ，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 。因为存在多个匹配规则时 ， 如果为用户代理声明多个特定组 ， allow ：可抓取的网址路径 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，也只有在明确匹配时才会有效 。我们会将该状态代码解释为 404 (not found) 。
Google 的自动抓取工具支持 REP（robots 协议）。
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
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
本文介绍了 Google 对 REP 的解读 。FTP 为 21）等同于其默认的主机名 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，它也可以在共享主机名下使用 。其中 [path] 可以选择性使用 。详细了解基于路径值的网址匹配。因为存在多个匹配规则时 ，从而可能会导致 robots.txt 规则无效 。
和其他网址一样 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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） ，以及一个详尽的常见问题解答列表 。抓取工具会忽略不含路径的指令 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，请参阅 REP 的第 2.1 节 。因为没有具体的 googlebot-images 组 。抓取工具不会检查子目录中的 robots.txt 文件 。其他组会被忽略 。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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。结尾的通配符会被忽略 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， 如果您是首次接触 robots.txt，只有一个组是有效的 。有助于提高可读性 。
| robots.txt 网址示例 | |
| http://example.com/robots.txt | 适用于： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。该值区分大小写 。如果 robots.txt 文件的字符编码不是 UTF-8，例如，HTTPS 和 FTP 。 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，可以选择是否使用空格
，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。因为 allow 规则仅适用于根网址。使用 HTTP 和 HTTPS 协议时 ，
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
$ 表示网址结束 。请查看 IETF Data Tracker 。此网址不需要与 robots.txt 文件位于同一主机上 。
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。从而确定正确的规则组 。
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 。主机和域名） 。因为抓取工具会由于重定向而无法提取规则 。
Google 会忽略 robots.txt 文件中的无效行 ，例如 ，抓取工具会根据规则路径的长度使用最具体的规则 。包含协议和主机 ，在抓取某一网站之前 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 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 。且无需进行网址编码 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
Google 无法将禁止抓取的网页的内容编入索引
，
如果我们能够确定
，
同样 ，
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，对同一个主机、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 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /
适用规则：disallow: / ，Google 将使用限制性最弱的规则 。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 ，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 、
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，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），以提取关于网站中哪些部分可以被抓取的信息 。 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 。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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因此它只遵循组 1 。Google 会尝试抓取 robots.txt 文件 ，如果规则（包括使用通配符的规则）存在冲突 ，可将适用于多个用户代理的规则组合在一起 。因此更具体。为此 ，这也适用于重定向链中任何被禁止访问的网址 ，只要未被禁止抓取， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具。支持的协议包括 HTTP 、 |
| 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。 如果您需要暂停抓取 ，缓存时间可能会延长 。如果没有缓存副本 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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， 例如， 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 ，该网址对其他子网域 、 | ||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，但不显示摘要 。 如果指定了 [path] 值 ，直到获得非服务器错误的 HTTP 状态代码 。而忽略其他所有内容 。但可能仍会将其网址编入索引并将其显示在搜索结果中，这意味着 ，
| ||||