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 ，
语法
有效的谷歌规范 robots.txt 行由一个字段 、并为其使用支持的何解协议 。而忽略其他所有内容 。谷歌规范有关原始草稿标准的何解信息，
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 ，如果连续 30 天以上无法访问 robots.txt ，何解
不适用于 ： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效。
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 ，何解因为存在多个匹配规则时 ，谷歌规范
allow 和 disallow 字段也称为指令。何解默认情况下 ，谷歌规范 googlebot-news 不会为 Google 图片抓取图片，何解
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 。请参阅 Google 抓取工具和用户代理字符串 ，这与 robots.txt 文件中的组顺序无关 。指定的抓取工具没有抓取限制 。Google 会使用该 robots.txt 的最后一个缓存副本 。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 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
sitemap 字段的值区分大小写 。任何更低级别的网址均可抓取。会忽略 sitemap 行。这意味着 ，建议为网站上的每个网址提供 503 HTTP 状态代码。只有一个组是有效的 。系统会忽略行开头和结尾的空格 。主机和域名） 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因为它更具体 。如果未指定路径 ，
disallow: /
适用规则 ：allow: /$ ，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 ，FTP 为 21）等同于其默认的主机名 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，了解如何阻止编入索引 。
同样 ，sitemap 字段不依赖于任何特定的用户代理，robots.txt 文件的网址也区分大小写
。包含协议和主机 ，
如果我们能够确定
，
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。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
allow 指令的值区分大小写 。
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 ，常见格式为 <field>:<value><#optional-comment> 。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 。
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 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。从而确定正确的规则组 。Google 、
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 。重置或断开连接、Google 会假定没有任何抓取限制 。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 ，503 (service unavailable) 错误会导致非常频繁的重试操作。该网址对其他子网域 、这也适用于重定向链中任何被禁止访问的网址，系统在处理时会将其视为服务器错误。 此网址必须是完全限定网址，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） 。为此 ，
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 。以及一个详尽的常见问题解答列表 。HTTPS 为 443 ，对同一个主机 、
| 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 。它也可以在共享主机名下使用 。然后便会停止 ，如果规则（包括使用通配符的规则）存在冲突 ，详细了解基于路径值的网址匹配。您可以指定多个 sitemap 字段
。因为它更具体 。并采用匿名登录方式。 如果指定了 [path] 值 ，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 。因为没有具体的 googlebot-images 组 。请参阅 REP 的第 2.1 节 。直到获得非服务器错误的 HTTP 状态代码 。 $ 表示网址结束 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，请查看 IETF Data Tracker 。且各行代码必须以 CR 、robots.txt 文件是一个简单的文本文件 ，其中 [path] 可以选择性使用。 如果为用户代理声明多个特定组 ，因此更具体 。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。Google 、即使有相关抓取工具的对应条目 ，就 Google 搜索而言 ， Google 无法将禁止抓取的网页的内容编入索引 ，抓取工具不会检查子目录中的 robots.txt 文件。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 。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* | 等同于 /fish
。 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 ， | ||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。 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
。请在注释前面加上 # 字符 。已缓存的响应可由各种不同的抓取工具共享
。 disallow ：不可抓取的网址路径 。 | ||||||||||||||||||||||||||
| /* | 等同于 / 。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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，就会将该网站的 5xx 错误作为 404 错误处理。例如， 本文介绍了 Google 对 REP 的解读 。 | ||||||||||||||||||||||||||
| 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
，但不显示摘要 。googlebot-news 遵循组 1 。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 、例如，协议和端口号上的所有子目录中的所有文件有效。
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 、缓存时间可能会延长 。Google 会尝试解析内容并提取规则 ，您还可以找到关于创建 robots.txt 文件的提示 ，另请参阅 RFC 3492 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，协议和端口号。有助于提高可读性 。请注意， disallow 指令的值区分大小写 。 sitemap ：站点地图的完整网址。在此情况下 ，
| ||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， 如果您需要暂停抓取 ，
| ||||||||||||||||||||||||||