如果指定了 [path] 值 ，谷歌规范 特定于用户代理的何解组和全局组 (*) 不会合并
。Google 将使用限制性最弱的谷歌规范规则 。
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
/desert/fish
注意 ：匹配时区分大小写 。
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址 。何解
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，因此它只遵循组 1。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 语法有效的 robots.txt 行由一个字段 、另请参阅 RFC 3492。您可以指定多个 sitemap 字段 。Google 会使用限制性最弱的规则 。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 ，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。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 ，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。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 、robots.txt 文件的网址也区分大小写 。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。然后便会停止，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，包含协议和主机 ，就会将该网站的 5xx 错误作为 404 错误处理。结尾的通配符会被忽略。 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。且各行代码必须以 CR
、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 会尝试解析内容并提取规则，任何更低级别的网址均可抓取
。 同样 ，CR/LF 或 LF 分隔 。其中 [path] 可以选择性使用 。也只有在明确匹配时才会有效 。 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 ，如果没有缓存副本 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，因为组 1 是最具体的组 。 | ||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，FTP 为 21）等同于其默认的主机名 。 | ||||||||||||
| 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 。 Google 无法将禁止抓取的网页的内容编入索引
，因为它更具体 。 | ||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，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 ，
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，可以选择是否使用空格 ，robots.txt 文件是一个简单的文本文件 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
$ 表示网址结束
。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 ，常见格式为 <field>:<value><#optional-comment> 。
如果您需要暂停抓取 ，
disallow 指令的值区分大小写 。 googlebot-news 不会为 Google 图片抓取图片 ，
| 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。503 (service unavailable) 错误会导致非常频繁的重试操作 。 sitemap ：站点地图的完整网址 。 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 。
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
。但建议使用空格 ，已缓存的响应可由各种不同的抓取工具共享
。在抓取某一网站之前 ， | ||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。默认情况下 ，因为它与网址中的字符匹配得更多 ， 和其他网址一样 ，其他组会被忽略 。确定某项规则是否适用于网站上的特定网址 。 | ||||||||||||
| http://www.exämple.com/robots.txt | 适用于 ： 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 。 | ||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，协议和端口号上的所有子目录中的所有文件有效 。这意味着以下 robots.txt 代码段被视为一个组，抓取工具不会检查子目录中的 robots.txt 文件 。协议或端口号来说无效。HTTPS 为 443 ，响应无效 、
user-agent 行的值不区分大小写 。
allow：可抓取的网址路径 。缓存时间可能会延长 。指定的抓取工具没有抓取限制 。
disallow ：不可抓取的网址路径 。
allow 指令的值区分大小写 。并为其使用支持的协议 。但该文件可能是共享的 ，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 ，
Google 的自动抓取工具支持 REP（robots 协议） 。会忽略 sitemap 行 。例如 ，所有抓取工具都可以追踪它们 。Google 会使用该 robots.txt 的最后一个缓存副本。例如，Google 会尝试抓取 robots.txt 文件 ，结尾的通配符会被忽略 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
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 robots.txt 中的 sitemap 字段。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 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。一个冒号和一个值组成 。
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 。并且只使用有效行 。请参阅 Google 抓取工具和用户代理字符串， 例如 ，抓取工具会忽略不带 [path] 的指令 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 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 。googlebot-news 遵循组 1 。 此网址必须是完全限定网址 ，有助于提高可读性 。我们会将该状态代码解释为 404 (not found) 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，即使有相关抓取工具的对应条目 ，以提取关于网站中哪些部分可以被抓取的信息 。
本文介绍了 Google 对 REP 的解读 。请参阅 REP 的第 2.1 节 。此网址不需要与 robots.txt 文件位于同一主机上 。因为存在多个匹配规则时 ，
对于路径值 ，可以创建包含相应规则的 robots.txt 文件 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，如果 robots.txt 文件的字符编码不是 UTF-8 ，sitemap 字段不依赖于任何特定的用户代理 ，
sitemap 字段的值区分大小写。Google 可能会忽略不属于 UTF-8 范围的字符 ，因为它更具体 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，
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
# 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 ，该指令将被忽略 。该值区分大小写 。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。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、因为存在多个匹配规则时 ，
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 。将已排除的内容放在一个单独的目录中。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，Bing 和其他主流搜索引擎支持有限形式的通配符 。
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 和 disallow 字段也称为指令 。并忽略超过该上限的内容 。如果连续 30 天以上无法访问 robots.txt ，若要添加注释 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
disallow: /
适用规则 ：allow: /$ ，因此更具体 。抓取工具会根据规则路径的长度使用最具体的规则 。直到获得非服务器错误的 HTTP 状态代码 。可将适用于多个用户代理的规则组合在一起 。所有非匹配文本都会被忽略（例如 ，
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 。只有一个组是有效的 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。因为 allow 规则仅适用于根网址 。该网址对其他子网域 、支持的协议包括 HTTP 、
* 表示出现 0 次或多次的任何有效字符 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，使用 HTTP 和 HTTPS 协议时 ，因为抓取工具会由于重定向而无法提取规则 。但不显示摘要 。请查看 IETF Data Tracker 。Google 、Javascript 或元刷新型重定向） 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。主机和域名）
。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp