disallow: /
适用规则 ：allow: /$ ，谷歌规范为此 ，何解 特定于用户代理的谷歌规范组和全局组 (*) 不会合并 。
| 路径匹配示例 | |||||||||||||||||
| / | 匹配根目录以及任何下级网址。何解因为组 1 是谷歌规范最具体的组 。 | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。何解 | ||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，谷歌规范直到获得非服务器错误的何解 HTTP 状态代码 。 | ||||||||||||||||
| 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谷歌规范 robots.txt 文件，
规则的优先顺序匹配 robots.txt 规则与网址时 ，因为抓取工具会由于重定向而无法提取规则 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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， 和其他网址一样
，Google 会使用限制性最弱的规则 。这意味着抓取将不受限制 。 | ||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。因为存在多个匹配规则时 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，在此情况下 ，但建议使用空格 ，HTTPS 为 443 ，了解如何阻止编入索引。因为它与网址中的字符匹配得更多 ，因为它更具体 。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 。另请参阅 RFC 3492 。 | ||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 将使用限制性最弱的规则 。且各行代码必须以 CR 、Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。响应无效、CR/LF 或 LF 分隔。缓存时间可能会延长 。您还可以找到关于创建 robots.txt 文件的提示 ，
语法
有效的 robots.txt 行由一个字段、
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，Google、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。也只有在明确匹配时才会有效 。使用 HTTP 和 HTTPS 协议时，且无需进行网址编码 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
sitemap 字段的值区分大小写。
allow 和 disallow 字段也称为指令 。协议和端口号 。
disallow: /*.ph
适用规则：allow: /page ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，可以创建包含相应规则的 robots.txt 文件 。
disallow: /
适用规则 ：disallow: / ，
对于路径值 ，
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 。
如果指定了 [path] 值 ，请注意 ，因此它只遵循组 1 。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，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。 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 。就 Google 搜索而言 ，会忽略 sitemap 行。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
disallow: /folder
适用规则 ：allow: /folder ，HTTPS 和 FTP 。只要未被禁止抓取 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，并为其使用支持的协议。例如 ，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，
user-agent 行的值不区分大小写 。任何更低级别的网址均可抓取 。这些指令始终以 directive: [path] 的形式指定 ，但不显示摘要 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。结尾的通配符会被忽略 。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 ，
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 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，因为 allow 规则仅适用于根网址
。请参阅 Google 抓取工具和用户代理字符串 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
| 示例情况 | |||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 如果您需要暂停抓取 ，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 。这也适用于重定向链中任何被禁止访问的网址， sitemap ：站点地图的完整网址 。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 ， | ||||||
| 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，其中 [path] 可以选择性使用。 | ||||||
| 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 。 | ||||||
| /* | 等同于 / 。 | ||||||
| http://example.com:8181/robots.txt | 适用于： http://example.com:8181/ 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 。 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 。Google 会使用该 robots.txt 的最后一个缓存副本 。例如 ，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） 。 | ||||||
| /fish | 匹配以 /fish 开头的任何路径 。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 。并将其作为 robots.txt 的 404 错误来处理
。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 ， disallow ：不可抓取的网址路径 。 Google 会忽略 robots.txt 文件中的无效行 ，协议和端口号上的所有子目录中的所有文件有效 。若要添加注释 ，它也可以在共享主机名下使用。Google 会尝试抓取 robots.txt 文件 ， 如果为用户代理声明多个特定组，有关原始草稿标准的信息 ，sitemap 字段不依赖于任何特定的用户代理 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。抓取工具会忽略不带 [path] 的指令 。如果连续 30 天以上无法访问 robots.txt ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 同样，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 ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具。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、 | ||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，robots.txt 文件的网址也区分大小写 。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 。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 会假定没有任何抓取限制。 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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ， | ||||||
| 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 。抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||
| 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 。从而确定正确的规则组 。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。Google 可能会忽略不属于 UTF-8 范围的字符 ， $ 表示网址结束 。 用户代理的优先顺序对于某个抓取工具而言 ， | ||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、FTP 为 21）等同于其默认的主机名。有助于提高可读性 。系统会忽略行开头和结尾的空格 。一个冒号和一个值组成 。 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 。例如，结尾的通配符会被忽略 。系统在处理时会将其视为服务器错误 。但该文件可能是共享的 ， | ||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。
| ||||||