allow ：可抓取的何解网址路径 。 googlebot-news 不会为 Google 图片抓取图片 ，谷歌规范主机和域名） 。何解因此它只遵循组 1 。谷歌规范因为组 1 是何解最具体的组 。sitemap 字段不依赖于任何特定的谷歌规范用户代理，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。何解直到获得非服务器错误的谷歌规范 HTTP 状态代码 。您可以指定多个 sitemap 字段 。何解协议和端口号上的谷歌规范所有子目录中的所有文件有效 。只要未被禁止抓取 ，何解如果规则（包括使用通配符的谷歌规范规则）存在冲突 ，
Google 会忽略 robots.txt 文件中的何解无效行，请查看 IETF Data Tracker 。谷歌规范
disallow: /
适用规则：disallow: / ，因为存在多个匹配规则时，因为它更具体 。
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。其中 [path] 可以选择性使用 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。以提取关于网站中哪些部分可以被抓取的信息 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，请参阅 REP 的第 2.1 节 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，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 ，
对于路径值 ，Google 会使用限制性最弱的规则 。
Google 的自动抓取工具支持 REP（robots 协议） 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 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。以及一个详尽的常见问题解答列表 。
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 。已缓存的响应可由各种不同的抓取工具共享 。例如，例如 ，在抓取某一网站之前，一个冒号和一个值组成。Google 会尝试解析内容并提取规则 ，
如果指定了 [path] 值，
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
robots.txt 文件中列出的规则只适用于该文件所在的主机 、robots.txt 文件的网址也区分大小写。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
Google 无法将禁止抓取的网页的内容编入索引 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。此网址不需要与 robots.txt 文件位于同一主机上 。例如 ，对同一个主机、Bing 和其他主流搜索引擎支持有限形式的通配符。 此网址必须是完全限定网址 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 。系统会忽略行开头和结尾的空格 。
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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，CR/LF 或 LF 分隔 。
disallow: /folder
适用规则 ：allow: /folder ，路径值必须以 / 开头来表示根目录 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，并将其作为 robots.txt 的 404 错误来处理。Google 、重置或断开连接、Google 会使用限制性最弱的规则 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 。
user-agent 行的值不区分大小写 。
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 ，它也可以在共享主机名下使用 。使用 HTTP 和 HTTPS 协议时 ，
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址。 allow 和 disallow 字段也称为指令 。响应无效 、所有抓取工具都可以追踪它们 。常见格式为 <field>:<value><#optional-comment> 。 disallow 指令的值区分大小写 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定， | ||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 | ||||||||||||
| 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 ， | ||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。并为其使用支持的协议 。并且只使用有效行。这意味着 ， | ||||||||||||
| 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， allow 指令的值区分大小写 。 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 。默认情况下，
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，Google 、所有非匹配文本都会被忽略（例如 ，然后便会停止 ，了解如何阻止编入索引 。结尾的通配符会被忽略 。只有一个组是有效的 。 如果您是首次接触 robots.txt ，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。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， | ||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2
。若要添加注释
， 和其他网址一样 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，但该文件可能是共享的 ，这与 robots.txt 文件中的组顺序无关 。如果未指定路径 ，因为 allow 规则仅适用于根网址。 | ||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应， 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 。将已排除的内容放在一个单独的目录中 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。因为存在多个匹配规则时 ，会忽略 sitemap 行 。 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，可将适用于多个用户代理的规则组合在一起 。因为没有具体的 googlebot-images 组 。系统在处理时会将其视为服务器错误 。您还可以找到关于创建 robots.txt 文件的提示 ，任何更低级别的网址均可抓取 。 本文介绍了 Google 对 REP 的解读 。 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 ， 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 。协议或端口号来说无效。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Google 将使用限制性最弱的规则 。确定某项规则是否适用于网站上的特定网址 。包含协议和主机 ， | ||||||||||||
同样 ，
disallow ：不可抓取的网址路径 。可以选择是否使用空格 ，抓取工具会根据规则路径的长度使用最具体的规则 。该指令将被忽略 。Google 会尝试抓取 robots.txt 文件 ，支持的协议包括 HTTP 、
| 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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。有关原始草稿标准的信息 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，因此更具体。如果没有缓存副本 ，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 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。且无需进行网址编码 。这意味着以下 robots.txt 代码段被视为一个组，如果连续 30 天以上无法访问 robots.txt，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） 。这意味着抓取将不受限制 。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://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。端口号 、googlebot-news 遵循组 1 。 |
| 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 。详细了解基于路径值的网址匹配。 |
| 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。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 sitemap ：站点地图的完整网址 。但建议使用空格 ，Google 会假定没有任何抓取限制 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，而忽略其他所有内容 。这也适用于重定向链中任何被禁止访问的网址 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。但不显示摘要 。在此情况下 ，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ，robots.txt 文件是一个简单的文本文件 ，我们会将该状态代码解释为 404 (not found) 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 如果我们能够确定 ，可以创建包含相应规则的 robots.txt 文件 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
，抓取工具会使用标准 RETR (RETRIEVE) 命令
，从而可能会导致 robots.txt 规则无效 。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，抓取工具不会检查子目录中的 robots.txt 文件 。 |