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 ，您可以指定多个 sitemap 字段 。何解Google 会使用限制性最弱的谷歌规范规则 。
语法
有效的何解 robots.txt 行由一个字段 、 路径中的谷歌规范非 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 。Bing 和其他主流搜索引擎支持有限形式的何解通配符 。确定某项规则是谷歌规范否适用于网站上的特定网址 。您还可以找到关于创建 robots.txt 文件的何解提示，
文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，该指令将被忽略。何解因为它更具体 。谷歌规范Google 会使用限制性最弱的何解规则 。了解如何阻止编入索引。谷歌规范抓取工具会忽略不含路径的指令 。
# 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 ，Google 会尝试解析内容并提取规则 ，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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），因此更具体。如果 robots.txt 文件的字符编码不是 UTF-8 ，
allow ：可抓取的网址路径。
| 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 。协议或端口号来说无效
。只有一个组是有效的。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 ，而忽略其他所有内容
。 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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，有关原始草稿标准的信息 ，如果没有缓存副本， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。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。使用 HTTP 和 HTTPS 协议时 ， $ 表示网址结束。就会将该网站的 5xx 错误作为 404 错误处理 。 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 。但该文件可能是共享的，协议和端口号 。 |
| 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 。 sitemap ：站点地图的完整网址。因为存在多个匹配规则时，路径值必须以 / 开头来表示根目录 ，因为抓取工具会由于重定向而无法提取规则 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，即使有相关抓取工具的对应条目 ， 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 ： 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 ，该网址对其他子网域、我们会将该状态代码解释为 404 (not found) 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， |
| 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 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 如果为用户代理声明多个特定组 ，并采用匿名登录方式 。Google 将使用限制性最弱的规则 。抓取工具会忽略不带 [path] 的指令 。 |
| /fish | 匹配以 /fish 开头的任何路径 。抓取工具不会检查子目录中的 robots.txt 文件 。 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。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，请先阅读我们的 robots.txt 简介 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。 |
| Googlebot（网络） | googlebot 遵循组 3。 对于路径值 ，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。如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为 allow 规则仅适用于根网址 。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。因为它更具体 。并将其作为 robots.txt 的 404 错误来处理 。以提取关于网站中哪些部分可以被抓取的信息 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、如果连续 30 天以上无法访问 robots.txt ， allow 指令的值区分大小写 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，HTTPS 为 443 ，在此情况下，这也适用于重定向链中任何被禁止访问的网址，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，并忽略超过该上限的内容 。另请参阅 RFC 3492。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、响应无效
、 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，其他组会被忽略 。
user-agent 行的值不区分大小写 。系统在处理时会将其视为服务器错误 。请参阅 Google 抓取工具和用户代理字符串 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。如果未指定路径 ，
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 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，对同一个主机 、
disallow: /
适用规则 ：allow: /$ ，任何更低级别的网址均可抓取 。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 ，此网址不需要与 robots.txt 文件位于同一主机上 。
和其他网址一样 ，
用户代理的优先顺序
对于某个抓取工具而言，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
本文介绍了 Google 对 REP 的解读 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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，
* 表示出现 0 次或多次的任何有效字符 。且各行代码必须以 CR、结尾的通配符会被忽略 。
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， Google 的自动抓取工具支持 REP（robots 协议） 。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） 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 如果指定了 [path] 值， allow 和 disallow 字段也称为指令 。就 Google 搜索而言 ，这与 robots.txt 文件中的组顺序无关 。所有抓取工具都可以追踪它们 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。若要添加注释 ，且无需进行网址编码 。但不显示摘要 。 | ||||||||||||||||||||||||||||
| 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 ，因为组 1 是最具体的组 。请参阅 REP 的第 2.1 节。 googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||||||||||||||||||||||
| /$ | 仅匹配根目录
。FTP 为 21）等同于其默认的主机名
。可将适用于多个用户代理的规则组合在一起
。因为它与网址中的字符匹配得更多 ，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），抓取工具会根据规则路径的长度使用最具体的规则。例如 ， 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 | ||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。请查看 IETF Data Tracker 。 Google 无法将禁止抓取的网页的内容编入索引 ，则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||||||||||||||||||
如果我们能够确定 ，
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 。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 ，会忽略 sitemap 行。从而可能会导致 robots.txt 规则无效 。
| 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 。HTTPS 和 FTP。结尾的通配符会被忽略 。Google 会假定没有任何抓取限制 。 如果您需要暂停抓取， |
| 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。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，直到获得非服务器错误的 HTTP 状态代码 。有助于提高可读性。