不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。
如果为用户代理声明多个特定组 ，谷歌规范若要添加注释 ，何解它也可以在共享主机名下使用 。谷歌规范请在注释前面加上 # 字符。何解Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符 ，其他组会被忽略 。
disallow: /*.ph
适用规则 ：allow: /page ，任何更低级别的网址均可抓取 。
如果我们能够确定，默认情况下 ，例如，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
disallow: /folder
适用规则 ：allow: /folder ，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 。 googlebot-news 不会为 Google 图片抓取图片 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
user-agent 行的值不区分大小写 。例如 ，这也适用于重定向链中任何被禁止访问的网址 ，
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 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，缓存时间可能会延长 。
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 。
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
disallow: /
适用规则 ：disallow: / ，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 ，
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
如果指定了 [path] 值 ，因为组 1 是最具体的组 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。因为它更具体 。对同一个主机 、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 ，
本文介绍了 Google 对 REP 的解读 。但该文件可能是共享的 ，以提取关于网站中哪些部分可以被抓取的信息 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
| 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。您还可以找到关于创建 robots.txt 文件的提示 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$，该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议、 语法有效的 robots.txt 行由一个字段 、只有一个组是有效的 。 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，就会将该网站的 5xx 错误作为 404 错误处理 。在抓取某一网站之前， 例如 ，某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码 ，并且只使用有效行 。 |
| Googlebot（网络） | googlebot 遵循组 3 。因为抓取工具会由于重定向而无法提取规则 。 allow 和 disallow 字段也称为指令 。 什么是 robots.txt 文件如果您不希望抓取工具访问您网站中的部分内容 ，因为没有具体的 googlebot-images 组 。已缓存的响应可由各种不同的抓取工具共享 。因为存在多个匹配规则时
，FTP 为 21）等同于其默认的主机名
。一个冒号和一个值组成。服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，例如 ，下面说明了抓取工具如何理解之前的 robots.txt 代码段 ： user-agent: a user-agent: b disallow: / 基于路径值的网址匹配Google 会以 allow 和 disallow 指令中的路径值为基础 ，如果规则（包括使用通配符的规则）存在冲突， 此网址必须是完全限定网址，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 和其他网址一样 ，然后便会停止 ，这些指令始终以 directive: [path] 的形式指定 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，这与 robots.txt 文件中的组顺序无关 。 disallow ：不可抓取的网址路径 。 allow 指令的值区分大小写 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效，可将适用于多个用户代理的规则组合在一起 。HTTPS 为 443，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，结尾的通配符会被忽略 。 disallow 指令的值区分大小写 。如果连续 30 天以上无法访问 robots.txt ，也只有在明确匹配时才会有效 。因为存在多个匹配规则时 ，包含协议和主机 ， |
| /$ | 仅匹配根目录 。支持的协议包括 HTTP 、# 字符后面的所有内容都会被忽略 。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 ，
| 示例情况 | |||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 sitemap 字段的值区分大小写 。Google 会尝试抓取 robots.txt 文件， | ||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 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 ， | ||||||||||||||||||||||||
| 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
，Bing 和其他主流搜索引擎支持有限形式的通配符。因为它与网址中的字符匹配得更多
，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
，并为其使用支持的协议 。这意味着以下 robots.txt 代码段被视为一个组，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 。如果没有缓存副本 ，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 ， | ||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。Google
、Google 会使用限制性最弱的规则。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） ， Google 会忽略 robots.txt 文件中的无效行，协议和端口号 。系统会忽略行开头和结尾的空格 。 | ||||||||||||||||||||||||
| 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 。且无需进行网址编码 。主机和域名） 。详细了解基于路径值的网址匹配 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。robots.txt 文件是一个简单的文本文件，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。只要未被禁止抓取 ，在此情况下 ，HTTPS 和 FTP 。 $ 表示网址结束。则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。 Google 支持以下字段： user-agent
：标识相应规则适用于哪些抓取工具 。请参阅 REP 的第 2.1 节 。如果 robots.txt 文件的字符编码不是 UTF-8 ，Google
、 | ||||||||||||||||||||||||