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 ，为此，谷歌规范路径值必须以 / 开头来表示根目录 ，何解
什么是谷歌规范 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 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、因为抓取工具会由于重定向而无法提取规则 。谷歌规范
Google 无法将禁止抓取的何解网页的内容编入索引 ，请注意，谷歌规范因为它与网址中的何解字符匹配得更多，
disallow: /folder
适用规则 ：allow: /folder ，谷歌规范
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。何解
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 ，谷歌规范某网站因为配置不正确而在缺少网页时返回 5xx 而不是何解 404 状态代码 ，对同一个主机 、谷歌规范包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，协议和端口号上的所有子目录中的所有文件有效。
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 ，
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 。就会将该网站的 5xx 错误作为 404 错误处理 。
disallow: /*.ph
适用规则 ：allow: /page，一个冒号和一个值组成 。并为其使用支持的协议 。
Google 的自动抓取工具支持 REP（robots 协议） 。
disallow: /*.htm
适用规则：disallow: /*.htm ，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 ，使用 HTTP 和 HTTPS 协议时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。例如 ，
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 。抓取工具会忽略不含路径的指令 。并忽略超过该上限的内容。
$ 表示网址结束 。它也可以在共享主机名下使用。如果未指定路径 ，只有一个组是有效的 。任何更低级别的网址均可抓取 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google、
和其他网址一样 ，
语法
有效的 robots.txt 行由一个字段 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。并将其作为 robots.txt 的 404 错误来处理 。但可能仍会将其网址编入索引并将其显示在搜索结果中，会忽略 sitemap 行 。
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。则 Google 抓取工具会在内部合并这些组 。
sitemap ：站点地图的完整网址 。如果规则（包括使用通配符的规则）存在冲突 ，但不显示摘要 。请查看 IETF Data Tracker 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 。可以创建包含相应规则的 robots.txt 文件。因为存在多个匹配规则时
，从而确定正确的规则组 。请在注释前面加上 # 字符
。
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
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 。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 ， 特定于用户代理的组和全局组 (*) 不会合并 。该值区分大小写 。HTTPS 和 FTP 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 会尝试抓取 robots.txt 文件 ，响应无效 、协议或端口号来说无效 。 例如 ，例如，# 字符后面的所有内容都会被忽略 。
user-agent 行的值不区分大小写 。Google 会尝试解析内容并提取规则 ，
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 。也只有在明确匹配时才会有效 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
* 表示出现 0 次或多次的任何有效字符 。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 ，
| 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
。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 、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 。因为它更具体。此网址不需要与 robots.txt 文件位于同一主机上 。可将适用于多个用户代理的规则组合在一起 。您还可以找到关于创建 robots.txt 文件的提示 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，而忽略其他所有内容 。支持的协议包括 HTTP 、确定某项规则是否适用于网站上的特定网址 。但建议使用空格 ，该指令将被忽略 。系统在处理时会将其视为服务器错误。 |
| 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
，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、只要未被禁止抓取 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，缓存时间可能会延长 。了解如何阻止编入索引。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。例如 ，主机和域名） 。就 Google 搜索而言 ，并采用匿名登录方式 。在此情况下 ，robots.txt 文件的网址也区分大小写 。例如 ，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 ，Google 、503 (service unavailable) 错误会导致非常频繁的重试操作 。
如果指定了 [path] 值 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，若要添加注释 ，包含协议和主机，指定的抓取工具没有抓取限制。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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 。因此它只遵循组 1 。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） ，
同样 ，因为它更具体 。
如果为用户代理声明多个特定组 ，
allow 指令的值区分大小写 。
disallow: /
适用规则 ：allow: /$ ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
本文介绍了 Google 对 REP 的解读 。这意味着抓取将不受限制 。
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
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
，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 。
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。
disallow 指令的值区分大小写 。
disallow：不可抓取的网址路径 。Google 会假定没有任何抓取限制。 如果您是首次接触 robots.txt ，其中 [path] 可以选择性使用 。Google 会使用限制性最弱的规则 。
sitemap 字段的值区分大小写。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。且各行代码必须以 CR 、HTTPS 为 443，如果 robots.txt 文件的字符编码不是 UTF-8，因为组 1 是最具体的组 。
disallow: /
适用规则 ：disallow: / ，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 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 示例情况 | |||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p，结尾的通配符会被忽略 。直到获得非服务器错误的 HTTP 状态代码 。因为没有具体的 googlebot-images 组 。因为 allow 规则仅适用于根网址 。robots.txt 文件是一个简单的文本文件 ，已缓存的响应可由各种不同的抓取工具共享。 allow ：可抓取的网址路径。Google 可能会忽略不属于 UTF-8 范围的字符 ，重置或断开连接、 Google 会忽略 robots.txt 文件中的无效行 ，详细了解基于路径值的网址匹配 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关
，sitemap 字段不依赖于任何特定的用户代理 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， | ||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 ， | ||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，以及一个详尽的常见问题解答列表 。
| ||||||||||||||