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 ，何解从而可能会导致 robots.txt 规则无效 。谷歌规范请在注释前面加上 # 字符 。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 ，谷歌规范结尾的何解通配符会被忽略 。您可以通过整合会导致 robots.txt 文件过大的谷歌规范指令来减小 robots.txt 文件的大小。Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段。 例如 ，谷歌规范
disallow: /folder
适用规则 ：allow: /folder ，何解另请参阅 RFC 3492。谷歌规范因此它只遵循组 1。何解
allow：可抓取的谷歌规范网址路径 。
和其他网址一样 ，何解重置或断开连接 、谷歌规范
同样 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。因为存在多个匹配规则时 ，只有一个组是有效的 。
user-agent 行的值不区分大小写 。Google 、因为没有具体的 googlebot-images 组 。任何更低级别的网址均可抓取 。抓取工具不会检查子目录中的 robots.txt 文件 。就会将该网站的 5xx 错误作为 404 错误处理 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。详细了解基于路径值的网址匹配 。
Google 无法将禁止抓取的网页的内容编入索引 ，因此更具体 。对同一个主机、主机和域名） 。robots.txt 文件的网址也区分大小写 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，直到获得非服务器错误的 HTTP 状态代码 。请先阅读我们的 robots.txt 简介 。例如 ，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 ，在抓取某一网站之前 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，并为其使用支持的协议。确定某项规则是否适用于网站上的特定网址 。可将适用于多个用户代理的规则组合在一起 。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 ，并将其作为 robots.txt 的 404 错误来处理 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 |
| /fish* | 等同于 /fish。以及一个详尽的常见问题解答列表。协议和端口号上的所有子目录中的所有文件有效 。这意味着以下 robots.txt 代码段被视为一个组
，Google 会使用限制性最弱的规则 。因为 allow 规则仅适用于根网址 。请注意
， 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，这意味着抓取将不受限制 。其中 [path] 可以选择性使用 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。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/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。这与 robots.txt 文件中的组顺序无关 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 |
| Googlebot（网络） | googlebot 遵循组 3。即使有相关抓取工具的对应条目 ，包含协议和主机 ，该指令将被忽略 。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 ，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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，而忽略其他所有内容 。它也可以在共享主机名下使用 。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 ，并采用匿名登录方式 。会忽略 sitemap 行 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， sitemap 字段的值区分大小写 。 |
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 指令的值区分大小写 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，Google 抓取工具会下载并解析该网站的 robots.txt 文件，
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。
| 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。从而确定正确的规则组 。 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 。若要添加注释 ，该网址对其他子网域 、 allow 和 disallow 字段也称为指令。其他组会被忽略。 Google 会忽略 robots.txt 文件中的无效行 ，并忽略超过该上限的内容 。 googlebot-news 不会为 Google 图片抓取图片 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，但建议使用空格 ，HTTPS 为 443 ， |
| http://example.com/folder/robots.txt | 不是有效的 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" ，并且只使用有效行。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、如果未指定路径 ，Google 将使用限制性最弱的规则 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。 本文介绍了 Google 对 REP 的解读 。常见格式为 <field>:<value><#optional-comment>。因为组 1 是最具体的组 。 disallow ：不可抓取的网址路径。我们会将该状态代码解释为 404 (not found) 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 |
| /* | 等同于 /。协议或端口号来说无效 。如果规则（包括使用通配符的规则）存在冲突 ，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 。为此 ，请查看 IETF Data Tracker 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，您还可以找到关于创建 robots.txt 文件的提示 ，这些指令始终以 directive: [path] 的形式指定 ，
如果您需要暂停抓取，
$ 表示网址结束
。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 。端口号 、 此网址必须是完全限定网址 ，HTTPS 和 FTP
。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）
，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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 。
语法
有效的 robots.txt 行由一个字段、因为它更具体 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、如果 robots.txt 文件的字符编码不是 UTF-8 ，
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 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。FTP 为 21）等同于其默认的主机名 。 如果指定了 [path] 值 ， | ||||||||||||||||||
| 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 。因为存在多个匹配规则时 ，请参阅 REP 的第 2.1 节 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 如果为用户代理声明多个特定组 ，
规则的优先顺序匹配 robots.txt 规则与网址时，您可以指定多个 sitemap 字段 。# 字符后面的所有内容都会被忽略 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、Javascript 或元刷新型重定向） 。 如果您是首次接触 robots.txt ，系统在处理时会将其视为服务器错误 。将已排除的内容放在一个单独的目录中 。如果没有缓存副本 ， 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。已缓存的响应可由各种不同的抓取工具共享 。因为它与网址中的字符匹配得更多 ， 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 ，就 Google 搜索而言 ， | ||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 | ||||||||||||||||||
| 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 ，有关原始草稿标准的信息，用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||||||||||||
| 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 ，Google 会尝试解析内容并提取规则 ，503 (service unavailable) 错误会导致非常频繁的重试操作。 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 | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。sitemap 字段不依赖于任何特定的用户代理 ，
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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，使用 HTTP 和 HTTPS 协议时 ， Google 的自动抓取工具支持 REP（robots 协议）。 | ||||||||||||||||||