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 ，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 ，何解抓取工具会使用标准 RETR (RETRIEVE) 命令，谷歌规范因为抓取工具会由于重定向而无法提取规则 。何解从而确定正确的谷歌规范规则组 。但不显示摘要 。何解了解如何阻止编入索引 。谷歌规范则 Google 抓取工具会在内部合并这些组 。何解 此网址必须是谷歌规范完全限定网址 ，
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的何解 robots.txt 只对该子网域有效 。
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。谷歌规范 如果我们能够确定 ，何解就会将该网站的谷歌规范 5xx 错误作为 404 错误处理 。HTTPS 为 443 ，何解如果下载的谷歌规范内容是 Html 格式而非 robots.txt 规则 ，抓取工具不会检查子目录中的 robots.txt 文件 。有助于提高可读性 。请参阅 REP 的第 2.1 节。因为组 1 是最具体的组 。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 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关， Google 会忽略 robots.txt 文件中的无效行， 用户代理的优先顺序对于某个抓取工具而言，但建议使用空格，可将适用于多个用户代理的规则组合在一起。例如 ，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
。CR/LF 或 LF 分隔。503 (service unavailable) 错误会导致非常频繁的重试操作 。 | ||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。例如 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。例如，建议为网站上的每个网址提供 503 HTTP 状态代码 。 | ||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 ，在抓取某一网站之前 ，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 ，并将其作为 robots.txt 的 404 错误来处理 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
disallow: /
适用规则 ：disallow: / ，因为存在多个匹配规则时，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。该值区分大小写 。Google 会使用限制性最弱的规则 。Bing 和其他主流搜索引擎支持有限形式的通配符 。请注意 ，如果规则（包括使用通配符的规则）存在冲突 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。系统在处理时会将其视为服务器错误 。
对于路径值 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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 。
Google 的自动抓取工具支持 REP（robots 协议） 。robots.txt 文件是一个简单的文本文件 ，为此 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，您还可以找到关于创建 robots.txt 文件的提示 ，googlebot-news 遵循组 1 。
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 ，协议和端口号 。常见格式为 <field>:<value><#optional-comment> 。如果连续 30 天以上无法访问 robots.txt ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。系统会忽略行开头和结尾的空格 。Google 会尝试抓取 robots.txt 文件 ，
allow 指令的值区分大小写 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。
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。
如果您需要暂停抓取
，该网址对其他子网域 、从而可能会导致 robots.txt 规则无效
。
和其他网址一样 ，Google 会尝试解析内容并提取规则 ，
disallow: /
适用规则 ：allow: /$ ，抓取工具会根据规则路径的长度使用最具体的规则。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 例如 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，如果未指定路径，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，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 。请在注释前面加上 # 字符 。
Google 无法将禁止抓取的网页的内容编入索引 ，这意味着以下 robots.txt 代码段被视为一个组 ，结尾的通配符会被忽略 。这意味着抓取将不受限制 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 特定于用户代理的组和全局组 (*) 不会合并 。
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，HTTPS 和 FTP 。且各行代码必须以 CR 、Javascript 或元刷新型重定向） 。抓取工具会忽略不含路径的指令。
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 。抓取工具会忽略不带 [path] 的指令 。robots.txt 文件的网址也区分大小写。协议或端口号来说无效 。这也适用于重定向链中任何被禁止访问的网址，所有抓取工具都可以追踪它们。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，且无需进行网址编码 。Google 会使用该 robots.txt 的最后一个缓存副本。
| 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 。 如果为用户代理声明多个特定组 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，这些指令始终以 directive: [path] 的形式指定 ， 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 ：
| ||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， 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。即使有相关抓取工具的对应条目 ，指定的抓取工具没有抓取限制 。任何更低级别的网址均可抓取 。 | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，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 、sitemap 字段不依赖于任何特定的用户代理 ，确定某项规则是否适用于网站上的特定网址 。 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 ，该指令将被忽略。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），端口号 、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
disallow 指令的值区分大小写 。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 ，因为没有具体的 googlebot-images 组 。
allow ：可抓取的网址路径 。路径值必须以 / 开头来表示根目录 ，Google 抓取工具会下载并解析该网站的 robots.txt 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，
disallow: /*.ph
适用规则：allow: /page ，其中 [path] 可以选择性使用 。响应无效 、
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p，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。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） 。 $ 表示网址结束。将已排除的内容放在一个单独的目录中 。以及一个详尽的常见问题解答列表 。并忽略超过该上限的内容 。 如果指定了 [path] 值 ， |