http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，何解
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意：匹配时区分大小写 。但该文件可能是谷歌规范共享的 ，您可以通过整合会导致 robots.txt 文件过大的何解指令来减小 robots.txt 文件的大小。包含协议和主机，谷歌规范则 Google 抓取工具会在内部合并这些组 。何解
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本 。结尾的何解通配符会被忽略 。CR/LF 或 LF 分隔 。谷歌规范因此 user-agent a 和 b 均受 disallow: / 规则的何解影响 ：
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 ，请参阅 Google 抓取工具和用户代理字符串，谷歌规范重置或断开连接 、何解
disallow: /*.ph
适用规则 ：allow: /page ，谷歌规范从而确定正确的规则组 。只要未被禁止抓取，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，Google 会使用限制性最弱的规则。
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，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 ，robots.txt 文件是一个简单的文本文件 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。主机和域名） 。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 。
| 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 。因为抓取工具会由于重定向而无法提取规则。并为其使用支持的协议。 例如 ，另请参阅 RFC 3492 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，googlebot-news 遵循组 1 。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 ， |
| /fish | 匹配以 /fish 开头的任何路径
。 sitemap ：站点地图的完整网址 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 allow ：可抓取的网址路径 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。就会将该网站的 5xx 错误作为 404 错误处理 。sitemap 字段不依赖于任何特定的用户代理， Google 会忽略 robots.txt 文件中的无效行 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
| 示例情况 | |||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，因为没有具体的 googlebot-images 组 。因为它更具体 。请注意 ，Google 、
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，Javascript 或元刷新型重定向） 。可将适用于多个用户代理的规则组合在一起 。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 ，响应无效 、如果没有缓存副本 ， 本文介绍了 Google 对 REP 的解读 。这意味着抓取将不受限制 。 | ||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。可以创建包含相应规则的 robots.txt 文件 。对同一个主机 、抓取工具会忽略不带 [path] 的指令 。请先阅读我们的 robots.txt 简介 。默认情况下 ， | ||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，确定某项规则是否适用于网站上的特定网址 。 | ||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。在此情况下 ， | ||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。因为存在多个匹配规则时 ，且无需进行网址编码 。以提取关于网站中哪些部分可以被抓取的信息。Google 将使用限制性最弱的规则 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。我们会将该状态代码解释为 404 (not found) 。可以选择是否使用空格 ，即使有相关抓取工具的对应条目 ， | ||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，也只有在明确匹配时才会有效 。系统在处理时会将其视为服务器错误 。例如，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，协议和端口号 。支持的协议包括 HTTP 、有关原始草稿标准的信息， | ||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， | ||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，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） ， | ||||||||||||||||||||||||||||
| 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
， 如果我们能够确定 ，系统会忽略行开头和结尾的空格 。 对于路径值 ，抓取工具会根据规则路径的长度使用最具体的规则 。 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 。因为存在多个匹配规则时， 如果为用户代理声明多个特定组 ，为此 ， 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 。 | ||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，而忽略其他所有内容。 如果您是首次接触 robots.txt ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，缓存时间可能会延长 。且各行代码必须以 CR 、在抓取某一网站之前 ，
allow 指令的值区分大小写 。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、
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 。
user-agent 行的值不区分大小写 。
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 ，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） 。一个冒号和一个值组成 。 特定于用户代理的组和全局组 (*) 不会合并 。HTTPS 和 FTP 。HTTPS 为 443 ，
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。所有非匹配文本都会被忽略（例如，请参阅 REP 的第 2.1 节 。指定的抓取工具没有抓取限制 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 ，例如 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、若要添加注释 ，例如 ，从而可能会导致 robots.txt 规则无效 。所有抓取工具都可以追踪它们 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 ，其他组会被忽略 。您可以指定多个 sitemap 字段。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 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。了解如何阻止编入索引。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、协议和端口号上的所有子目录中的所有文件有效 。
Google 无法将禁止抓取的网页的内容编入索引 ，
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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。该网址对其他子网域 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，并采用匿名登录方式 。常见格式为 <field>:<value><#optional-comment> 。以及一个详尽的常见问题解答列表 。
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。 此网址必须是完全限定网址 ，因此更具体 。
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
allow 和 disallow 字段也称为指令 。将已排除的内容放在一个单独的目录中 。该指令将被忽略 。协议或端口号来说无效 。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 ，请查看 IETF Data Tracker 。例如 ，并将其作为 robots.txt 的 404 错误来处理。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 。请在注释前面加上 # 字符 。因为组 1 是最具体的组。抓取工具不会检查子目录中的 robots.txt 文件 。
如果指定了 [path] 值
，结尾的通配符会被忽略。直到获得非服务器错误的 HTTP 状态代码。并忽略超过该上限的内容 。