allow 指令的谷歌规范值区分大小写 。结尾的何解通配符会被忽略 。如果返回 5xx 状态代码的谷歌规范网页上的错误消息为"找不到网页"，
Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB
，Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符 ，因此它只遵循组 1 。何解
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，谷歌规范抓取工具会使用标准 RETR (RETRIEVE) 命令 ，何解然后便会停止，谷歌规范Google 会使用限制性最弱的何解规则。
| 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 。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 。 如果指定了 [path] 值 ，谷歌规范 sitemap ：站点地图的何解完整网址 。 |
| /$ | 仅匹配根目录
。谷歌规范robots.txt 文件的网址也区分大小写
。且各行代码必须以 CR 、并且只使用有效行 。 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 ，并将其作为 robots.txt 的 404 错误来处理 。
sitemap 字段的值区分大小写。如果 robots.txt 文件的字符编码不是 UTF-8 ，
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 ，
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 。请参阅 REP 的第 2.1 节 。您可以指定多个 sitemap 字段 。而忽略其他所有内容 。
语法
有效的 robots.txt 行由一个字段、因为存在多个匹配规则时，任何更低级别的网址均可抓取。另请参阅 RFC 3492
。 例如 ，可将适用于多个用户代理的规则组合在一起
。CR/LF 或 LF 分隔 。请参阅 Google 抓取工具和用户代理字符串
，重置或断开连接
、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。因为抓取工具会由于重定向而无法提取规则 。
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 。抓取工具不会检查子目录中的 robots.txt 文件 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，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 ，这些指令始终以 directive: [path] 的形式指定 ，因为存在多个匹配规则时 ，则 Google 抓取工具会在内部合并这些组 。抓取工具会忽略不带 [path] 的指令 。若要添加注释 ，有关原始草稿标准的信息 ， 特定于用户代理的组和全局组 (*) 不会合并。了解如何阻止编入索引 。也只有在明确匹配时才会有效 。并采用匿名登录方式 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。Google 会使用该 robots.txt 的最后一个缓存副本 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ， 对于路径值 ，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 ，为此 ，如果连续 30 天以上无法访问 robots.txt ，这与 robots.txt 文件中的组顺序无关 。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） ，因为它更具体 。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 。 user-agent 行的值不区分大小写 。以及一个详尽的常见问题解答列表 。 |
| /fish | 匹配以 /fish 开头的任何路径。sitemap 字段不依赖于任何特定的用户代理 ，只要未被禁止抓取 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）
。协议或端口号来说无效。 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。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、默认情况下 ， 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 。从而可能会导致 robots.txt 规则无效 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 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 ，robots.txt 文件是一个简单的文本文件 ， 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 ，例如 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，以提取关于网站中哪些部分可以被抓取的信息 。FTP 为 21）等同于其默认的主机名 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
# 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 ，端口号 、这意味着抓取将不受限制。 googlebot-news 不会为 Google 图片抓取图片 ，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 ，
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。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、例如，
disallow: /
适用规则 ：allow: /$ ，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 ，它也可以在共享主机名下使用 。对同一个主机 、从而确定正确的规则组 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。就会将该网站的 5xx 错误作为 404 错误处理 。
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 。
本文介绍了 Google 对 REP 的解读 。因为组 1 是最具体的组 。已缓存的响应可由各种不同的抓取工具共享 。
* 表示出现 0 次或多次的任何有效字符 。使用 HTTP 和 HTTPS 协议时 ，
disallow: /
适用规则 ：disallow: / ，抓取工具会忽略不含路径的指令 。
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 ，协议和端口号上的所有子目录中的所有文件有效 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 、可以选择是否使用空格，Google 会使用限制性最弱的规则。只有一个组是有效的。在此情况下 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、503 (service unavailable) 错误会导致非常频繁的重试操作 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 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 ： disallow: [path] allow allow 指令用来指定相应抓取工具可以访问的路径
。 | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。# 字符后面的所有内容都会被忽略 。如果没有缓存副本
， disallow 指令的值区分大小写 。抓取工具会根据规则路径的长度使用最具体的规则 。缓存时间可能会延长 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，一个冒号和一个值组成 。其他组会被忽略 。 同样 ， 如果为用户代理声明多个特定组 ， | ||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 Google 会忽略 robots.txt 文件中的无效行 ，googlebot-news 遵循组 1 。 | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder， | ||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。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） 。 | ||||||||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，HTTPS 为 443 ，确定某项规则是否适用于网站上的特定网址 。 allow ：可抓取的网址路径 。Google 会假定没有任何抓取限制。但该文件可能是共享的 ，我们会将该状态代码解释为 404 (not found) 。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 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。直到获得非服务器错误的 HTTP 状态代码。Google 、请先阅读我们的 robots.txt 简介 。即使有相关抓取工具的对应条目 ，支持的协议包括 HTTP 、因为 allow 规则仅适用于根网址 。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 无法将禁止抓取的网页的内容编入索引 ， | ||||||||||||||||||
| 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，这意味着，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，且无需进行网址编码 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， Google 的自动抓取工具支持 REP（robots 协议） 。并忽略超过该上限的内容 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， | ||||||||||||||||||
| /* | 等同于 /
。 $ 表示网址结束
。但可能仍会将其网址编入索引并将其显示在搜索结果中，该值区分大小写。此网址不需要与 robots.txt 文件位于同一主机上。请在注释前面加上 # 字符
。
| ||||||||||||||||||