| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，何解 如果我们能够确定，谷歌规范 例如 ，何解响应无效 、谷歌规范 对于路径值，何解因为组 1 是谷歌规范最具体的组 。该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议、则这些组中适用于该特定用户代理的谷歌规范所有规则会在内部合并成一个组 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，系统在处理时会将其视为服务器错误。 |
| Googlebot（网络） | googlebot 遵循组 3 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 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 ，从而可能会导致 robots.txt 规则无效。503 (service unavailable) 错误会导致非常频繁的重试操作 。并忽略超过该上限的内容 。为此 ， |
| http://www.exämple.com/robots.txt | 适用于 ： 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 。 |
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定，会忽略 sitemap 行。 |
| 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 。了解如何阻止编入索引。 如果您是首次接触 robots.txt ， disallow：不可抓取的网址路径 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，因此它只遵循组 1 。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 ，已缓存的响应可由各种不同的抓取工具共享。可将适用于多个用户代理的规则组合在一起 。这意味着 ，Google 会尝试抓取 robots.txt 文件 ，如果下载的内容是 Html 格式而非 robots.txt 规则，FTP 为 21）等同于其默认的主机名 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。sitemap 字段不依赖于任何特定的用户代理 ，因为存在多个匹配规则时，请参阅 Google 抓取工具和用户代理字符串，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，因为它与网址中的字符匹配得更多 ，结尾的通配符会被忽略 。# 字符后面的所有内容都会被忽略 。
如果为用户代理声明多个特定组 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。系统会忽略行开头和结尾的空格。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），抓取工具会忽略不含路径的指令 。
语法
有效的 robots.txt 行由一个字段 、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 ，CR/LF 或 LF 分隔 。但不显示摘要 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，但该文件可能是共享的 ，
本文介绍了 Google 对 REP 的解读 。以提取关于网站中哪些部分可以被抓取的信息。
$ 表示网址结束
。因为抓取工具会由于重定向而无法提取规则 。就会将该网站的 5xx 错误作为 404 错误处理。它也可以在共享主机名下使用
。则 Google 抓取工具会在内部合并这些组
。您还可以找到关于创建 robots.txt 文件的提示 ，协议和端口号上的所有子目录中的所有文件有效。
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
，
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
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。这意味着抓取将不受限制 。该指令将被忽略。重置或断开连接 、Google、
disallow: /
适用规则 ：disallow: / ，Google 会使用限制性最弱的规则 。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 ，
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 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。HTTPS 和 FTP 。如果没有缓存副本， 和其他网址一样 ， |
| Googlebot Images | googlebot-images 遵循组 2 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。也只有在明确匹配时才会有效 。如果 robots.txt 文件的字符编码不是 UTF-8，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 。详细了解基于路径值的网址匹配 。只要未被禁止抓取 ，并为其使用支持的协议 。Google、 |
| /$ | 仅匹配根目录 。且无需进行网址编码 。可以创建包含相应规则的 robots.txt 文件 。结尾的通配符会被忽略。建议为网站上的每个网址提供 503 HTTP 状态代码。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
allow 指令的值区分大小写 。抓取工具不会检查子目录中的 robots.txt 文件 。指定的抓取工具没有抓取限制 。抓取工具会根据规则路径的长度使用最具体的规则 。在抓取某一网站之前，Bing 和其他主流搜索引擎支持有限形式的通配符 。 特定于用户代理的组和全局组 (*) 不会合并 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
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 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
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 。路径值必须以 / 开头来表示根目录 ，使用 HTTP 和 HTTPS 协议时 ，Javascript 或元刷新型重定向）。Google 可能会忽略不属于 UTF-8 范围的字符 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。
同样，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。这与 robots.txt 文件中的组顺序无关 。
allow ：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 。
Google 的自动抓取工具支持 REP（robots 协议） 。如果连续 30 天以上无法访问 robots.txt ，您可以指定多个 sitemap 字段 。主机和域名） 。
disallow: /*.ph
适用规则 ：allow: /page ，然后便会停止 ，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 ，缓存时间可能会延长 。但建议使用空格 ，例如 ，googlebot-news 遵循组 1。因为它更具体。对同一个主机 、请注意 ，
如果指定了 [path] 值，而忽略其他所有内容 。
disallow: /folder
适用规则 ：allow: /folder，在此情况下 ，
| 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 。 Google 会忽略 robots.txt 文件中的无效行 ，抓取工具会忽略不带 [path] 的指令 。 sitemap：站点地图的完整网址 。其他组会被忽略 。协议或端口号来说无效 。此网址不需要与 robots.txt 文件位于同一主机上 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。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 。请先阅读我们的 robots.txt 简介 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 |
sitemap 字段的值区分大小写。Google 会使用该 robots.txt 的最后一个缓存副本 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，常见格式为 <field>:<value><#optional-comment> 。请在注释前面加上 # 字符 。只有一个组是有效的 。就 Google 搜索而言 ，例如 ， 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: /*.htm
适用规则 ：disallow: /*.htm，Google 将使用限制性最弱的规则。即使有相关抓取工具的对应条目 ，
如果您需要暂停抓取，这也适用于重定向链中任何被禁止访问的网址 ，Google 会假定没有任何抓取限制 。robots.txt 文件的网址也区分大小写 。因此更具体 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果规则（包括使用通配符的规则）存在冲突 ，可以选择是否使用空格 ，其中 [path] 可以选择性使用。这意味着以下 robots.txt 代码段被视为一个组 ，
| 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 。并采用匿名登录方式 。端口号、这些指令始终以 directive: [path] 的形式指定 ， | ||||||||||||||
| 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 ， | ||||||||||||||
| 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 ，该网址对其他子网域 、Google 会使用限制性最弱的规则。 googlebot-news 不会为 Google 图片抓取图片
，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） 。因为没有具体的 googlebot-images 组。HTTPS 为 443
，如果未指定路径 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 Google 无法将禁止抓取的网页的内容编入索引，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 。 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。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 ，因为存在多个匹配规则时 ，一个冒号和一个值组成 。 | ||||||||||||||
| 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 。 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 ：
| ||||||||||||||