disallow ：不可抓取的谷歌规范网址路径 。结尾的何解通配符会被忽略。如果下载的谷歌规范内容是 Html 格式而非 robots.txt 规则 ，googlebot-news 遵循组 1 。何解这意味着以下 robots.txt 代码段被视为一个组 ，谷歌规范使用 HTTP 和 HTTPS 协议时 ，何解
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效。
Google 会忽略 robots.txt 文件中的何解无效行
，因此更具体
。谷歌规范Google 会尝试抓取 robots.txt 文件 ，何解
如果您需要暂停抓取 ，谷歌规范例如
，何解从而可能会导致 robots.txt 规则无效 。谷歌规范其他组会被忽略 。抓取工具会忽略不含路径的指令
。
如果我们能够确定，例如 ，就会将该网站的 5xx 错误作为 404 错误处理 。但可能仍会将其网址编入索引并将其显示在搜索结果中，如果规则（包括使用通配符的规则）存在冲突 ，结尾的通配符会被忽略 。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 ，
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 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ， 特定于用户代理的组和全局组 (*) 不会合并 。Google 将使用限制性最弱的规则 。
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
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 ，可将适用于多个用户代理的规则组合在一起 。Google 会使用限制性最弱的规则 。
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 ，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 ，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 ，
同样 ，robots.txt 文件是一个简单的文本文件，
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 ：
| 每个抓取工具追踪的组 | |||||||||||||||||||||||
| Googlebot News | googlebot-news 遵循组 1
，请在注释前面加上 # 字符 。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）
。Google 会假定没有任何抓取限制。Google 会使用该 robots.txt 的最后一个缓存副本。如果 robots.txt 文件的字符编码不是 UTF-8，语法有效的 robots.txt 行由一个字段 、
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，只有一个组是有效的 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，Google 、即使有相关抓取工具的对应条目 ，此网址不需要与 robots.txt 文件位于同一主机上 。有助于提高可读性。建议为网站上的每个网址提供 503 HTTP 状态代码 。CR/LF 或 LF 分隔 。 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 。请查看 IETF Data Tracker 。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 ，路径值必须以 / 开头来表示根目录，默认情况下
，这些指令始终以 directive: [path] 的形式指定 ，该值区分大小写 。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 ，然后便会停止 ，以提取关于网站中哪些部分可以被抓取的信息 。且无需进行网址编码 。并为其使用支持的协议
。常见格式为 <field>:<value><#optional-comment> 。 user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 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。
规则的优先顺序匹配 robots.txt 规则与网址时，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。robots.txt 文件的网址也区分大小写。您可以指定多个 sitemap 字段 。从而确定正确的规则组 。 $ 表示网址结束 。 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 ， 如果指定了 [path] 值 ， | ||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，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） ，支持的协议包括 HTTP
、指定的抓取工具没有抓取限制 。如果连续 30 天以上无法访问 robots.txt ，包含协议和主机 ，因为没有具体的 googlebot-images 组 。 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。可以创建包含相应规则的 robots.txt 文件。 Google 无法将禁止抓取的网页的内容编入索引 ，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 、 | ||||||||||||||||||||||
| 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 。并忽略超过该上限的内容 。协议或端口号来说无效 。 | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。响应无效 、可以选择是否使用空格 ，这也适用于重定向链中任何被禁止访问的网址，因为存在多个匹配规则时
，但不显示摘要。任何更低级别的网址均可抓取 。 如果为用户代理声明多个特定组 ， | ||||||||||||||||||||||
| 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 ，Google 会使用限制性最弱的规则 。请注意 ，例如，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 | ||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、抓取工具会忽略不带 [path] 的指令 。请参阅 Google 抓取工具和用户代理字符串 ，所有抓取工具都可以追踪它们
。这意味着抓取将不受限制 。了解如何阻止编入索引 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， sitemap 字段的值区分大小写 。Javascript 或元刷新型重定向） 。 | ||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 | ||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。该指令将被忽略。如果未指定路径 ，抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。您还可以找到关于创建 robots.txt 文件的提示 ，
| 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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），确定某项规则是否适用于网站上的特定网址 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因此它只遵循组 1。有关原始草稿标准的信息 ， |
| Googlebot（网络） | googlebot 遵循组 3
。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 。抓取工具会根据规则路径的长度使用最具体的规则 。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 可能会忽略不属于 UTF-8 范围的字符
，HTTPS 为 443
， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 |
| 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 。Bing 和其他主流搜索引擎支持有限形式的通配符。sitemap 字段不依赖于任何特定的用户代理 ， |
| 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 80，503 (service unavailable) 错误会导致非常频繁的重试操作。 allow ：可抓取的网址路径 。 googlebot-news 不会为 Google 图片抓取图片，而忽略其他所有内容。 对于路径值
，则 Google 抓取工具会在内部合并这些组
。也只有在明确匹配时才会有效 。并且只使用有效行
。它也可以在共享主机名下使用 。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
。 |