user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解任何更低级别的谷歌规范网址均可抓取 。
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
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
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范且无需进行网址编码。抓取工具会忽略不带 [path] 的指令。建议为网站上的每个网址提供 503 HTTP 状态代码 。这与 robots.txt 文件中的组顺序无关 。
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 ，该网址对其他子网域 、 例如 ，在此情况下 ，Javascript 或元刷新型重定向） 。这意味着，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 ，就会将该网站的 5xx 错误作为 404 错误处理 。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。请查看 IETF Data Tracker。默认情况下 ，
disallow: /folder
适用规则：allow: /folder ，为此 ，
Google 的自动抓取工具支持 REP（robots 协议） 。对同一个主机、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、但不显示摘要。例如 ，
不适用于 ： http://example.com/
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 。这意味着抓取将不受限制 。一个冒号和一个值组成 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 ，
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 ，因为抓取工具会由于重定向而无法提取规则 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow 指令的值区分大小写。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 ，
用户代理的优先顺序
对于某个抓取工具而言 ，且各行代码必须以 CR 、协议或端口号来说无效 。
本文介绍了 Google 对 REP 的解读 。
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。抓取工具会根据规则路径的长度使用最具体的规则 。系统在处理时会将其视为服务器错误 。因为它更具体 。则 Google 抓取工具会在内部合并这些组。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 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。并且只使用有效行 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。可以创建包含相应规则的 robots.txt 文件。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。从而可能会导致 robots.txt 规则无效 。 和其他网址一样 ， allow 和 disallow 字段也称为指令 。 googlebot-news 不会为 Google 图片抓取图片 ，如果规则（包括使用通配符的规则）存在冲突 ， |
| /* | 等同于 / 。语法有效的 robots.txt 行由一个字段、 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，可以选择是否使用空格 ， 如果为用户代理声明多个特定组 ，Google 将使用限制性最弱的规则 。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 ，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
，会忽略 sitemap 行 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，Google 、抓取工具不会检查子目录中的 robots.txt 文件。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm， |
| 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 。 allow 指令的值区分大小写 。从而确定正确的规则组 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，googlebot-news 遵循组 1 。如果 robots.txt 文件的字符编码不是 UTF-8 ，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。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，因此更具体 。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。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，CR/LF 或 LF 分隔 。所有抓取工具都可以追踪它们 。# 字符后面的所有内容都会被忽略。
如果指定了 [path] 值 ，并将其作为 robots.txt 的 404 错误来处理 。它也可以在共享主机名下使用 。常见格式为 <field>:<value><#optional-comment> 。详细了解基于路径值的网址匹配。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，这意味着以下 robots.txt 代码段被视为一个组 ，如果连续 30 天以上无法访问 robots.txt ，结尾的通配符会被忽略。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 ，但该文件可能是共享的，Google 会使用限制性最弱的规则 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。sitemap 字段不依赖于任何特定的用户代理 ，FTP 为 21）等同于其默认的主机名 。
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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
sitemap ：站点地图的完整网址 。有助于提高可读性 。
allow ：可抓取的网址路径 。
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 ， 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。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
disallow: /*.ph
适用规则 ：allow: /page ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，指定的抓取工具没有抓取限制。以提取关于网站中哪些部分可以被抓取的信息 。了解如何阻止编入索引 。有关原始草稿标准的信息，
Google 无法将禁止抓取的网页的内容编入索引 ，如果未指定路径 ，请先阅读我们的 robots.txt 简介 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，支持的协议包括 HTTP 、
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 ，然后便会停止 ， 同样 ，请注意 ，系统会忽略行开头和结尾的空格。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。已缓存的响应可由各种不同的抓取工具共享 。 | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。您还可以找到关于创建 robots.txt 文件的提示
， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、 对于路径值 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，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） ， 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 ，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。例如，缓存时间可能会延长 。即使有相关抓取工具的对应条目 ，其中 [path] 可以选择性使用 。端口号 、我们会将该状态代码解释为 404 (not found) 。因为存在多个匹配规则时 ， | ||||||||||||||||||
| 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 。 Google 会忽略 robots.txt 文件中的无效行 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。其他组会被忽略 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 会使用限制性最弱的规则 。 | ||||||||||||||||||
| /fish* | 等同于 /fish。这些指令始终以 directive: [path] 的形式指定 ， $ 表示网址结束 。您可以指定多个 sitemap 字段 。使用 HTTP 和 HTTPS 协议时 ，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 ，
| ||||||||||||||||||