如果指定了 [path] 值 ，谷歌规范端口号 、何解
匹配项
：
/fish/
/animals/fish/
/fish/?谷歌规范id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
如果您需要暂停抓取 ，谷歌规范有助于提高可读性 。何解
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范会忽略 sitemap 行 。何解所有抓取工具都可以追踪它们 。谷歌规范 |
| /* | 等同于 / 。何解抓取工具会忽略不含路径的谷歌规范指令
。您可以指定多个 sitemap 字段
。何解请查看 IETF Data Tracker。谷歌规范使用 HTTP 和 HTTPS 协议时 ，何解路径值必须以 / 开头来表示根目录
，谷歌规范我们会将该状态代码解释为 404 (not found) 。有关原始草稿标准的信息，但该文件可能是共享的
，并忽略超过该上限的内容。 sitemap 字段的值区分大小写 。并将其作为 robots.txt 的 404 错误来处理 。 sitemap ：站点地图的完整网址 。直到获得非服务器错误的 HTTP 状态代码 。 |
| 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 。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 ，这与 robots.txt 文件中的组顺序无关。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，抓取工具不会检查子目录中的 robots.txt 文件 。 allow 指令的值区分大小写 。 用户代理的优先顺序对于某个抓取工具而言，包含协议和主机 ，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 ， 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。缓存时间可能会延长 。 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 ，这些指令始终以 directive: [path] 的形式指定 ，例如 ，这也适用于重定向链中任何被禁止访问的网址 ，HTTPS 为 443 ，Google 会假定没有任何抓取限制 。 此网址必须是完全限定网址，确定某项规则是否适用于网站上的特定网址 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 |
| 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。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 ， 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，详细了解基于路径值的网址匹配。抓取工具会根据规则路径的长度使用最具体的规则 。在此情况下， Google 会忽略 robots.txt 文件中的无效行 ，该指令将被忽略 。 |
| 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
。您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。Google 会尝试抓取 robots.txt 文件，如果规则（包括使用通配符的规则）存在冲突 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，结尾的通配符会被忽略。googlebot-news 遵循组 1 。可以创建包含相应规则的 robots.txt 文件 。Bing 和其他主流搜索引擎支持有限形式的通配符 。并采用匿名登录方式 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， |
| /fish* | 等同于 /fish 。然后便会停止，Google 会使用该 robots.txt 的最后一个缓存副本。以及一个详尽的常见问题解答列表。可以选择是否使用空格， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， user-agent 行的值不区分大小写 。并为其使用支持的协议 。而忽略其他所有内容 。但不显示摘要。系统在处理时会将其视为服务器错误 。抓取工具会忽略不带 [path] 的指令 。# 字符后面的所有内容都会被忽略 。 |
| 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 ， |
| /fish | 匹配以 /fish 开头的任何路径 。Google、 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，以提取关于网站中哪些部分可以被抓取的信息 。
disallow ：不可抓取的网址路径
。协议和端口号 。因为组 1 是最具体的组 。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） ，一个冒号和一个值组成 。请注意 ，
如果我们能够确定 ，从而确定正确的规则组 。
| 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。请参阅 REP 的第 2.1 节 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。这意味着以下 robots.txt 代码段被视为一个组 ， allow ：可抓取的网址路径 。因为存在多个匹配规则时 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、因此它只遵循组 1。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。且无需进行网址编码 。Google 会使用限制性最弱的规则 。常见格式为 <field>:<value><#optional-comment> 。 同样，您还可以找到关于创建 robots.txt 文件的提示 ，了解如何阻止编入索引 。重置或断开连接 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 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 。 | ||||||||||||||||||
| 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 。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。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，Google 、 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 | ||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。 | ||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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 ， allow 和 disallow 字段也称为指令 。
user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。可将适用于多个用户代理的规则组合在一起 。结尾的通配符会被忽略 。 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 。 disallow 指令的值区分大小写。为此 ，也只有在明确匹配时才会有效 。 和其他网址一样 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，协议或端口号来说无效
。 | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。Google 会使用限制性最弱的规则 。因为它与网址中的字符匹配得更多 ，这些通配符包括
： * 表示出现 0 次或多次的任何有效字符 。503 (service unavailable) 错误会导致非常频繁的重试操作 。建议为网站上的每个网址提供 503 HTTP 状态代码 。该值区分大小写 。指定的抓取工具没有抓取限制 。从而可能会导致 robots.txt 规则无效 。 | ||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， 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。只要未被禁止抓取 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。就 Google 搜索而言，这意味着抓取将不受限制 。这意味着 ， | ||||||||||||||||||
| /$ | 仅匹配根目录 。 对于路径值 ， | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 $ 表示网址结束 。 例如 ， | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。请在注释前面加上 # 字符 。请先阅读我们的 robots.txt 简介。 如果您是首次接触 robots.txt
，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，例如， 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 ，在抓取某一网站之前 ，所有非匹配文本都会被忽略（例如 ，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 、 Google 无法将禁止抓取的网页的内容编入索引 ， 语法有效的 robots.txt 行由一个字段 、如果下载的内容是 Html 格式而非 robots.txt 规则 ，robots.txt 文件是一个简单的文本文件 ， | ||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。HTTPS 和 FTP 。如果未指定路径 ，默认情况下，CR/LF 或 LF 分隔 。 Google 的自动抓取工具支持 REP（robots 协议） 。并且只使用有效行 。Google 将使用限制性最弱的规则 。sitemap 字段不依赖于任何特定的用户代理 ，例如 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，因为存在多个匹配规则时 ，其中 [path] 可以选择性使用 。 | ||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，响应无效、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，另请参阅 RFC 3492 。且各行代码必须以 CR 、