不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。谷歌规范也只有在明确匹配时才会有效 。何解
sitemap 字段的谷歌规范值区分大小写。如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页" ，会忽略 sitemap 行 。谷歌规范若要添加注释，何解
如果为用户代理声明多个特定组 ，谷歌规范Bing 和其他主流搜索引擎支持有限形式的何解通配符 。
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 ，谷歌规范Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。如果连续 30 天以上无法访问 robots.txt ，
allow 和 disallow 字段也称为指令。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 会使用限制性最弱的规则 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，
disallow 指令的值区分大小写 。该值区分大小写。它也可以在共享主机名下使用 。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 ，主机和域名）。如果规则（包括使用通配符的规则）存在冲突 ，就 Google 搜索而言，这意味着，但不显示摘要 。
disallow：不可抓取的网址路径 。已缓存的响应可由各种不同的抓取工具共享 。包含协议和主机，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 、
本文介绍了 Google 对 REP 的解读 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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 ，重置或断开连接 、协议或端口号来说无效 。该网址对其他子网域 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，您还可以找到关于创建 robots.txt 文件的提示 ，
allow ：可抓取的网址路径。我们会将该状态代码解释为 404 (not found) 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow: /
适用规则 ：disallow: /，如果没有缓存副本，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
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，并采用匿名登录方式 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，FTP 为 21）等同于其默认的主机名 。详细了解基于路径值的网址匹配 。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 。 例如，这意味着以下 robots.txt 代码段被视为一个组，
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
，端口号
、 Google 无法将禁止抓取的网页的内容编入索引 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。这些指令始终以 directive: [path] 的形式指定 ，但该文件可能是共享的 ，了解如何阻止编入索引。并将其作为 robots.txt 的 404 错误来处理 。 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。以及一个详尽的常见问题解答列表。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 组块错误等）而无法抓取的 robots.txt 文件 ， |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。默认情况下，支持的协议包括 HTTP
、Google 会使用该 robots.txt 的最后一个缓存副本 。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 、请查看 IETF Data Tracker
。就会将该网站的 5xx 错误作为 404 错误处理 。robots.txt 文件的网址也区分大小写
。 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 。请参阅 Google 抓取工具和用户代理字符串 ， |
| 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 。 Google 的自动抓取工具支持 REP（robots 协议） 。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 。 语法有效的 robots.txt 行由一个字段 、任何更低级别的网址均可抓取 。且无需进行网址编码 。CR/LF 或 LF 分隔 。Javascript 或元刷新型重定向） 。 |
| 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 ，协议和端口号
。以提取关于网站中哪些部分可以被抓取的信息 。如果未指定路径 ， 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 ，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 ，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 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
allow 指令的值区分大小写 。路径值必须以 / 开头来表示根目录 ，例如 ，503 (service unavailable) 错误会导致非常频繁的重试操作。
对于路径值 ，抓取工具会忽略不含路径的指令。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
同样 ，从而可能会导致 robots.txt 规则无效 。请在注释前面加上 # 字符。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。抓取工具会根据规则路径的长度使用最具体的规则 。
disallow: /
适用规则 ：allow: /$，
用户代理的优先顺序
对于某个抓取工具而言 ，所有抓取工具都可以追踪它们 。
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 。确定某项规则是否适用于网站上的特定网址 。如果 robots.txt 文件的字符编码不是 UTF-8 ，将已排除的内容放在一个单独的目录中。因为它更具体。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，而忽略其他所有内容 。
和其他网址一样，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
| 路径匹配示例 | |||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。Google 会尝试解析内容并提取规则 ，使用 HTTP 和 HTTPS 协议时 ， 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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，因此更具体 。 | ||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、 Google 会忽略 robots.txt 文件中的无效行，这也适用于重定向链中任何被禁止访问的网址 ，对同一个主机 、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 。 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 ，因为 allow 规则仅适用于根网址。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、可将适用于多个用户代理的规则组合在一起。并为其使用支持的协议 。常见格式为 <field>:<value><#optional-comment>。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。robots.txt 文件是一个简单的文本文件 ， 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 。结尾的通配符会被忽略 。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 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。其中 [path] 可以选择性使用。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。例如 ， user-agent 行的值不区分大小写 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因为存在多个匹配规则时 ，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 ， sitemap ：站点地图的完整网址 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， | ||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，因此它只遵循组 1。一个冒号和一个值组成 。 $ 表示网址结束 。此网址不需要与 robots.txt 文件位于同一主机上 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，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），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。因为它更具体 。
| ||||||||||||||||||||||||||||