匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的谷歌规范 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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。何解从而可能会导致 robots.txt 规则无效
。谷歌规范抓取工具会忽略不带 [path] 的何解指令 。因为它更具体。谷歌规范一个冒号和一个值组成。何解但在无法刷新缓存版本的谷歌规范情况下（例如出现超时或 5xx 错误时） ， 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何解规则组 ： 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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。谷歌规范但可能仍会将其网址编入索引并将其显示在搜索结果中 ，何解 用户代理的谷歌规范优先顺序对于某个抓取工具而言 ，只要未被禁止抓取 ，何解 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。结尾的通配符会被忽略
。包含协议和主机 ，
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
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 ，# 字符后面的所有内容都会被忽略 。重置或断开连接 、端口号 、因为存在多个匹配规则时 ，请在注释前面加上 # 字符 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，其他组会被忽略 。以提取关于网站中哪些部分可以被抓取的信息 。可将适用于多个用户代理的规则组合在一起 。 googlebot-news 不会为 Google 图片抓取图片 ，
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址 。robots.txt 文件的网址也区分大小写。它也可以在共享主机名下使用。缓存时间可能会延长。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 。 和其他网址一样，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 、只有一个组是有效的 。因此更具体。 | ||||||||||||||
| /fish* | 等同于 /fish 。但该文件可能是共享的，Google 、Google 会假定没有任何抓取限制 。 | ||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
，建议为网站上的每个网址提供 503 HTTP 状态代码 。就 Google 搜索而言，响应无效 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 ，因为抓取工具会由于重定向而无法提取规则 。Google 会尝试解析内容并提取规则 ， 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：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， | ||||||||||||||
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，因为它更具体。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 ，
如果指定了 [path] 值 ，Google 会使用限制性最弱的规则 。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 ，抓取工具会忽略不含路径的指令 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，在此情况下，因为组 1 是最具体的组
。例如
，
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 。
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。支持的协议包括 HTTP、HTTP 组块错误等）而无法抓取的 robots.txt 文件，
$ 表示网址结束 。
| 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 。 |
| /$ | 仅匹配根目录 。 disallow 指令的值区分大小写 。如果未指定路径
，抓取工具不会检查子目录中的 robots.txt 文件
。CR/LF 或 LF 分隔。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 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。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，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 。 Google 会忽略 robots.txt 文件中的无效行 ，协议和端口号 。因为存在多个匹配规则时 ，Javascript 或元刷新型重定向） 。该网址对其他子网域、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 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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 ，这意味着以下 robots.txt 代码段被视为一个组 ，在抓取某一网站之前 ，您还可以找到关于创建 robots.txt 文件的提示 ，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） 。请注意 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。然后便会停止 ，请查看 IETF Data Tracker 。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 ，请参阅 REP 的第 2.1 节 。其中 [path] 可以选择性使用 。 |
| 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 。 allow 和 disallow 字段也称为指令 。Google 、 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、主机和域名）。所有抓取工具都可以追踪它们 。
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
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，
对于路径值 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。 例如 ，直到获得非服务器错误的 HTTP 状态代码 。FTP 为 21）等同于其默认的主机名 。
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 。
如果您需要暂停抓取，robots.txt 文件是一个简单的文本文件 ，某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码，
本文介绍了 Google 对 REP 的解读 。
user-agent 行的值不区分大小写 。
同样 ，
语法
有效的 robots.txt 行由一个字段 、使用 HTTP 和 HTTPS 协议时 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
Google 无法将禁止抓取的网页的内容编入索引 ，例如，且无需进行网址编码。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。而忽略其他所有内容 。了解如何阻止编入索引
。
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 。
disallow: /
适用规则 ：disallow: / ，也只有在明确匹配时才会有效 。所有非匹配文本都会被忽略（例如 ，如果没有缓存副本 ，若要添加注释，并采用匿名登录方式 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、协议或端口号来说无效 。可以选择是否使用空格 ，就会将该网站的 5xx 错误作为 404 错误处理 。另请参阅 RFC 3492 。但不显示摘要。这也适用于重定向链中任何被禁止访问的网址，以及一个详尽的常见问题解答列表 。 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 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，例如 ，并为其使用支持的协议 。Google 会尝试抓取 robots.txt 文件， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、会忽略 sitemap 行 。有助于提高可读性 。您可以指定多个 sitemap 字段 。常见格式为 <field>:<value><#optional-comment> 。 |
| 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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，任何更低级别的网址均可抓取 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。对同一个主机 、 |
| /*.php | 匹配包含 .php 的任何路径 。系统在处理时会将其视为服务器错误 。googlebot-news 遵循组 1
。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 。如果下载的内容是 Html 格式而非 robots.txt 规则， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、为此 ，系统会忽略行开头和结尾的空格 。Google 会使用限制性最弱的规则 。 |
| /* | 等同于 /。 allow 指令的值区分大小写 。 如果为用户代理声明多个特定组 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，已缓存的响应可由各种不同的抓取工具共享 。Google 会使用该 robots.txt 的最后一个缓存副本 。 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
。 |