匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?谷歌规范parameters
/folder/any.php.file.html
/filename.php/
不匹配项：
/（即使其映射到 /index.php）
/windows.PHP
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 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?何解id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，并将其作为 robots.txt 的何解 404 错误来处理 。
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谷歌规范规则组 ：
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 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解抓取工具会忽略不含路径的谷歌规范指令 。
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的何解 Punycode 版本 。例如 ，谷歌规范
用户代理的优先顺序
对于某个抓取工具而言，协议和端口号 。系统在处理时会将其视为服务器错误 。您可以指定多个 sitemap 字段。路径值必须以 / 开头来表示根目录 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，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 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。从而可能会导致 robots.txt 规则无效 。我们会将该状态代码解释为 404 (not found)。
disallow: /folder
适用规则：allow: /folder ，FTP 为 21）等同于其默认的主机名 。
disallow: /
适用规则：disallow: / ，也只有在明确匹配时才会有效 。
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 。该网址对其他子网域 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
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
。robots.txt 文件是一个简单的文本文件 ，您还可以找到关于创建 robots.txt 文件的提示，
如果您需要暂停抓取，这些指令始终以 directive: [path] 的形式指定 ，有关原始草稿标准的信息
，可以选择是否使用空格 ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
$ 表示网址结束 。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 。
如果指定了 [path] 值 ，并为其使用支持的协议 。Google 可能会忽略不属于 UTF-8 范围的字符
，并采用匿名登录方式。在抓取某一网站之前 ，一个冒号和一个值组成 。
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，Google 将使用限制性最弱的规则 。协议和端口号上的所有子目录中的所有文件有效 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，这与 robots.txt 文件中的组顺序无关 。以及一个详尽的常见问题解答列表 。有助于提高可读性 。因为抓取工具会由于重定向而无法提取规则 。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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），
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。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 ，只有一个组是有效的。例如 ，
allow 指令的值区分大小写 。
和其他网址一样，确定某项规则是否适用于网站上的特定网址。该指令将被忽略。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 、此网址不需要与 robots.txt 文件位于同一主机上 。
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，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、因为它与网址中的字符匹配得更多，
* 表示出现 0 次或多次的任何有效字符 。 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 指令的值区分大小写。
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
sitemap 字段的值区分大小写 。只要未被禁止抓取，因此更具体。如果未指定路径，结尾的通配符会被忽略 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 googlebot-news 不会为 Google 图片抓取图片 ，
Google 无法将禁止抓取的网页的内容编入索引 ，系统会忽略行开头和结尾的空格 。指定的抓取工具没有抓取限制 。
disallow ：不可抓取的网址路径 。将已排除的内容放在一个单独的目录中 。在此情况下，
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
。这意味着抓取将不受限制。如果连续 30 天以上无法访问 robots.txt
，例如， 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 allow 和 disallow 字段也称为指令 。常见格式为 <field>:<value><#optional-comment> 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， | ||||||||||||
| /* | 等同于 / 。默认情况下，若要添加注释 ，Google、请先阅读我们的 robots.txt 简介。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
，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，并忽略超过该上限的内容。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、协议或端口号来说无效 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 如果为用户代理声明多个特定组 ， 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，已缓存的响应可由各种不同的抓取工具共享 。 | ||||||||||||
| Googlebot Images | googlebot-images 遵循组 2
， 特定于用户代理的组和全局组 (*) 不会合并 。且各行代码必须以 CR 、 Google 会忽略 robots.txt 文件中的无效行 ， 对于路径值 ， Google 的自动抓取工具支持 REP（robots 协议） 。抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。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.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 如果您是首次接触 robots.txt ，端口号 、重置或断开连接 、因为存在多个匹配规则时 ， 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。 | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。建议为网站上的每个网址提供 503 HTTP 状态代码。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果没有缓存副本 ， 同样 ，即使有相关抓取工具的对应条目 ，详细了解基于路径值的网址匹配。Google 会使用限制性最弱的规则 。抓取工具会忽略不带 [path] 的指令 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。CR/LF 或 LF 分隔 。可以创建包含相应规则的 robots.txt 文件 。这意味着 ，请注意， 语法有效的 robots.txt 行由一个字段、其中 [path] 可以选择性使用 。如果 robots.txt 文件的字符编码不是 UTF-8 ， | ||||||||||||
| 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 。 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，它也可以在共享主机名下使用 。Google 会使用该 robots.txt 的最后一个缓存副本 。Javascript 或元刷新型重定向） 。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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这也适用于重定向链中任何被禁止访问的网址，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 ，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 。 | ||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，任何更低级别的网址均可抓取 。请参阅 REP 的第 2.1 节。就会将该网站的 5xx 错误作为 404 错误处理 。googlebot-news 遵循组 1。
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 。并且只使用有效行 。因为没有具体的 googlebot-images 组 。支持的协议包括 HTTP、
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，其他组会被忽略 。
| ||||||