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 。请在注释前面加上 # 字符 。何解 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 。但该文件可能是何解共享的 ，结尾的谷歌规范通配符会被忽略。这意味着抓取将不受限制 。何解所有抓取工具都可以追踪它们。谷歌规范该网址对其他子网域 、何解指定的谷歌规范抓取工具没有抓取限制 。但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时），因为组 1 是谷歌规范最具体的组 。确定某项规则是何解否适用于网站上的特定网址 。只要未被禁止抓取 ，谷歌规范
匹配项 ：
/fish/
/animals/fish/
/fish/?何解id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 例如 ，已缓存的响应可由各种不同的抓取工具共享。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
用户代理的优先顺序
对于某个抓取工具而言 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
如果指定了 [path] 值 ，
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
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。Google 、 | ||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。您还可以找到关于创建 robots.txt 文件的提示 ，支持的协议包括 HTTP 、 sitemap ：站点地图的完整网址。 | ||||||||||||||||||||||||||
| /* | 等同于 / 。 Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。 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。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，详细了解基于路径值的网址匹配 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，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
， # 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 ，会忽略 sitemap 行。 对于路径值 ， | ||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 | ||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。而忽略其他所有内容 。 | ||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。缓存时间可能会延长
。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， | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Javascript 或元刷新型重定向） 。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 。可将适用于多个用户代理的规则组合在一起 。协议和端口号上的所有子目录中的所有文件有效 。抓取工具不会检查子目录中的 robots.txt 文件 。路径值必须以 / 开头来表示根目录， 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 ，抓取工具会忽略不带 [path] 的指令 。robots.txt 文件的网址也区分大小写 。但建议使用空格 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，所有非匹配文本都会被忽略（例如 ，就 Google 搜索而言 ， | ||||||||||||||||||||||||||
| 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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 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 allow 规则仅适用于根网址。有助于提高可读性 。其中 [path] 可以选择性使用 。 | ||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。 | ||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，Google 将使用限制性最弱的规则 。 特定于用户代理的组和全局组 (*) 不会合并 。并且只使用有效行 。抓取工具会忽略不含路径的指令 。请注意 ， disallow ：不可抓取的网址路径。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） 。使用 HTTP 和 HTTPS 协议时，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 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 。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 。如果规则（包括使用通配符的规则）存在冲突 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，503 (service unavailable) 错误会导致非常频繁的重试操作。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 | ||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
allow 和 disallow 字段也称为指令 。且无需进行网址编码 。Google 会使用限制性最弱的规则 。googlebot-news 遵循组 1 。
disallow: /*.ph
适用规则：allow: /page ，Google、
disallow: /folder
适用规则：allow: /folder ，
Google 会忽略 robots.txt 文件中的无效行 ，重置或断开连接 、
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 。则 Google 抓取工具会在内部合并这些组 。这与 robots.txt 文件中的组顺序无关 。因为存在多个匹配规则时 ，例如，HTTPS 和 FTP。因为存在多个匹配规则时，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。这意味着以下 robots.txt 代码段被视为一个组 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
本文介绍了 Google 对 REP 的解读 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。将已排除的内容放在一个单独的目录中 。为此 ，直到获得非服务器错误的 HTTP 状态代码 。因为它更具体。
sitemap 字段的值区分大小写 。可以创建包含相应规则的 robots.txt 文件 。
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 ，如果连续 30 天以上无法访问 robots.txt，Google 会假定没有任何抓取限制 。因为它与网址中的字符匹配得更多 ， allow 指令的值区分大小写 。并为其使用支持的协议 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为没有具体的 googlebot-images 组 。但可能仍会将其网址编入索引并将其显示在搜索结果中，sitemap 字段不依赖于任何特定的用户代理 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 此网址必须是完全限定网址 ，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 。因为抓取工具会由于重定向而无法提取规则 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 如果您是首次接触 robots.txt ，请参阅 Google 抓取工具和用户代理字符串 ，就会将该网站的 5xx 错误作为 404 错误处理。 | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm，并将其作为 robots.txt 的 404 错误来处理 。
| ||||||||