user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范
匹配项
：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?何解parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本。
allow 和 disallow 字段也称为指令 。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 。有关原始草稿标准的何解信息 ，robots.txt 文件的谷歌规范网址也区分大小写 。了解如何阻止编入索引 。何解指定的谷歌规范抓取工具没有抓取限制 。任何更低级别的网址均可抓取。
disallow: /folder
适用规则 ：allow: /folder ，这意味着抓取将不受限制 。缓存时间可能会延长 。
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 ，如果没有缓存副本 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，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 ，且各行代码必须以 CR 、 特定于用户代理的组和全局组 (*) 不会合并。因为存在多个匹配规则时，
disallow: /*.ph
适用规则 ：allow: /page ，这也适用于重定向链中任何被禁止访问的网址 ，HTTPS 和 FTP。
Google 会忽略 robots.txt 文件中的无效行，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、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
，详细了解基于路径值的网址匹配 。请注意，
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
。确定某项规则是否适用于网站上的特定网址 。这意味着 ，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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，建议为网站上的每个网址提供 503 HTTP 状态代码 。
sitemap 字段的值区分大小写 。并且只使用有效行 。
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，
Google 无法将禁止抓取的网页的内容编入索引 ，若要添加注释 ， 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 。
disallow ：不可抓取的网址路径 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 会使用限制性最弱的规则。因为它更具体 。对同一个主机
、所有非匹配文本都会被忽略（例如，因此它只遵循组 1 。503 (service unavailable) 错误会导致非常频繁的重试操作 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，一个冒号和一个值组成 。robots.txt 文件是一个简单的文本文件 ，如果 robots.txt 文件的字符编码不是 UTF-8，因为 allow 规则仅适用于根网址 。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 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，可以创建包含相应规则的 robots.txt 文件 。
如果指定了 [path] 值，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因为存在多个匹配规则时 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，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 。
disallow: /
适用规则 ：disallow: / ，Bing 和其他主流搜索引擎支持有限形式的通配符。系统在处理时会将其视为服务器错误 。也只有在明确匹配时才会有效。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 ，
user-agent 行的值不区分大小写。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 ，为此 ，协议或端口号来说无效 。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 。例如 ，
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 、 如果您是首次接触 robots.txt ，您还可以找到关于创建 robots.txt 文件的提示 ，结尾的通配符会被忽略 。 如果为用户代理声明多个特定组 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。例如 ，并为其使用支持的协议。抓取工具会忽略不含路径的指令 。但该文件可能是共享的 ，协议和端口号上的所有子目录中的所有文件有效 。 sitemap ：站点地图的完整网址。常见格式为 <field>:<value><#optional-comment> 。因为抓取工具会由于重定向而无法提取规则 。 allow 指令的值区分大小写 。 |
| /$ | 仅匹配根目录 。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 ，结尾的通配符会被忽略 。Google 、 |
| Googlebot News（抓取图片时） | 抓取图片时 ，有助于提高可读性 。Google 会使用该 robots.txt 的最后一个缓存副本 。因此更具体 。抓取工具不会检查子目录中的 robots.txt 文件 。HTTPS 为 443 ， |
| 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
，使用 HTTP 和 HTTPS 协议时
，Google 会假定没有任何抓取限制 。请参阅 Google 抓取工具和用户代理字符串
， 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 。且无需进行网址编码 。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） 。主机和域名） 。请查看 IETF Data Tracker 。已缓存的响应可由各种不同的抓取工具共享 。另请参阅 RFC 3492。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，默认情况下 ，因为组 1 是最具体的组 。从而可能会导致 robots.txt 规则无效 。 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 。 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 ，如果未指定路径， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，并忽略超过该上限的内容 。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 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
用户代理的优先顺序
对于某个抓取工具而言，
本文介绍了 Google 对 REP 的解读。这与 robots.txt 文件中的组顺序无关 。所有抓取工具都可以追踪它们 。Google 将使用限制性最弱的规则 。
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 ，在抓取某一网站之前 ，Google 会使用限制性最弱的规则 。在此情况下，并将其作为 robots.txt 的 404 错误来处理 。即使有相关抓取工具的对应条目 ，会忽略 sitemap 行 。抓取工具会忽略不带 [path] 的指令 。如果规则（包括使用通配符的规则）存在冲突 ，
和其他网址一样 ，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 ，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。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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） ，此网址不需要与 robots.txt 文件位于同一主机上。只要未被禁止抓取 ，
同样 ， googlebot-news 不会为 Google 图片抓取图片 ，
如果您需要暂停抓取 ，路径值必须以 / 开头来表示根目录 ，
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。CR/LF 或 LF 分隔 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。其他组会被忽略 。
| 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 。因为它更具体 。响应无效 、就 Google 搜索而言 ， 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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，然后便会停止 ，我们会将该状态代码解释为 404 (not found)。
| ||||||||||||||||||||||||