对于路径值 ，何解协议和端口号 。谷歌规范已缓存的何解响应可由各种不同的抓取工具共享 。
sitemap 字段的谷歌规范值区分大小写 。如果没有缓存副本 ，何解若要添加注释 ，谷歌规范直到获得非服务器错误的何解 HTTP 状态代码 。
| 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 。谷歌规范
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 。因为它与网址中的字符匹配得更多
，并采用匿名登录方式 。响应无效 、缓存时间可能会延长 。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
，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 ，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 ，您可以指定多个 sitemap 字段。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。有助于提高可读性 。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）
， | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、常见格式为 <field>:<value><#optional-comment>
。详细了解基于路径值的网址匹配 。如果连续 30 天以上无法访问 robots.txt
，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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 ， sitemap ：站点地图的完整网址 。CR/LF 或 LF 分隔 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，在此情况下 ，Google 会假定没有任何抓取限制 。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 、且各行代码必须以 CR 、 | ||||||||
| 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 ，因为 allow 规则仅适用于根网址 。使用 HTTP 和 HTTPS 协议时 ， | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，您还可以找到关于创建 robots.txt 文件的提示，即使有相关抓取工具的对应条目 ，该值区分大小写 。因此它只遵循组 1 。这意味着抓取将不受限制。 $ 表示网址结束 。 | ||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，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 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。HTTP 组块错误等）而无法抓取的 robots.txt 文件
，
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 。结尾的通配符会被忽略 。
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。且无需进行网址编码 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 。因此更具体 。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 ，
disallow: /
适用规则 ：disallow: / ，所有抓取工具都可以追踪它们。系统在处理时会将其视为服务器错误 。 例如 ，就会将该网站的 5xx 错误作为 404 错误处理 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址
。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 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，从而可能会导致 robots.txt 规则无效。 |
| 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 ，并忽略超过该上限的内容 。 |
| http://example.com:8181/robots.txt | 适用于： http://example.com:8181/ 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 。 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 。 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 ， 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 。请注意 ，如果未指定路径， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。在抓取某一网站之前 ，请先阅读我们的 robots.txt 简介 。包含协议和主机 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。可将适用于多个用户代理的规则组合在一起 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。Google 将使用限制性最弱的规则 。Google、 allow ：可抓取的网址路径 。因为存在多个匹配规则时 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 如果为用户代理声明多个特定组 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 ，sitemap 字段不依赖于任何特定的用户代理，另请参阅 RFC 3492 。所有非匹配文本都会被忽略（例如 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，如果 robots.txt 文件的字符编码不是 UTF-8 ，一个冒号和一个值组成 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 会使用限制性最弱的规则。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、协议和端口号上的所有子目录中的所有文件有效 。
disallow: /folder
适用规则 ：allow: /folder ，
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，并为其使用支持的协议。 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。请在注释前面加上 # 字符。语法有效的 robots.txt 行由一个字段
、任何更低级别的网址均可抓取 。请查看 IETF Data Tracker
。而忽略其他所有内容 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， | ||||
| Googlebot News（抓取图片时） | 抓取图片时 ， disallow ：不可抓取的网址路径 。 Google 会忽略 robots.txt 文件中的无效行 ， | ||||
| 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 。 allow 指令的值区分大小写 。则 Google 抓取工具会在内部合并这些组 。但不显示摘要 。 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，支持的协议包括 HTTP 、结尾的通配符会被忽略 。 googlebot-news 不会为 Google 图片抓取图片 ，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。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，例如 ，默认情况下 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
和其他网址一样 ，路径值必须以 / 开头来表示根目录 ，因为它更具体 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。指定的抓取工具没有抓取限制。协议或端口号来说无效 。Google 、# 字符后面的所有内容都会被忽略 。因为抓取工具会由于重定向而无法提取规则 。
如果指定了 [path] 值 ，Google 会尝试抓取 robots.txt 文件 ，
user-agent 行的值不区分大小写 。抓取工具会根据规则路径的长度使用最具体的规则 。该指令将被忽略 。
用户代理的优先顺序
对于某个抓取工具而言 ，有关原始草稿标准的信息 ，主机和域名） 。
allow 和 disallow 字段也称为指令 。确定某项规则是否适用于网站上的特定网址 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ， 如果您是首次接触 robots.txt ，可以选择是否使用空格 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，并将其作为 robots.txt 的 404 错误来处理。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 。它也可以在共享主机名下使用 。
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 。对同一个主机 、 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 。robots.txt 文件的网址也区分大小写 。抓取工具会忽略不带 [path] 的指令 。
disallow 指令的值区分大小写 。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） 。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 文件是一个简单的文本文件 ，这与 robots.txt 文件中的组顺序无关。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，重置或断开连接 、以提取关于网站中哪些部分可以被抓取的信息 。Google 会使用限制性最弱的规则 。为此 ，FTP 为 21）等同于其默认的主机名 。
Google 的自动抓取工具支持 REP（robots 协议） 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、我们会将该状态代码解释为 404 (not found) 。例如 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。
同样，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 ，请参阅 Google 抓取工具和用户代理字符串 ，其中 [path] 可以选择性使用 。了解如何阻止编入索引 。系统会忽略行开头和结尾的空格
。其他组会被忽略
。
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