http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，谷歌规范如果未指定路径 ，何解您可以通过整合会导致 robots.txt 文件过大的谷歌规范指令来减小 robots.txt 文件的大小 。且无需进行网址编码 。何解因此更具体。谷歌规范REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅） ，
如果您需要暂停抓取 ，谷歌规范则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组 。但不显示摘要 。谷歌规范主机和域名） 。何解路径值必须以 / 开头来表示根目录 ，谷歌规范
Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的谷歌规范路径。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
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 。该指令将被忽略 。
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 ，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 。
disallow 指令的值区分大小写 。请参阅 Google 抓取工具和用户代理字符串 ，对同一个主机 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 例如 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。默认情况下 ，
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 ，例如，这些指令始终以 directive: [path] 的形式指定，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。所有非匹配文本都会被忽略（例如 ，例如 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，只有一个组是有效的 。Google 会尝试解析内容并提取规则 ，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 ， 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。并忽略超过该上限的内容。 allow 指令的值区分大小写 。503 (service unavailable) 错误会导致非常频繁的重试操作。包含协议和主机 ， 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 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，抓取工具会根据规则路径的长度使用最具体的规则 。所有抓取工具都可以追踪它们 。从而确定正确的规则组。将已排除的内容放在一个单独的目录中 。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、
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，HTTPS 为 443，如果下载的内容是 Html 格式而非 robots.txt 规则 ，这意味着抓取将不受限制 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。请在注释前面加上 # 字符 。 | ||||
| /*.php | 匹配包含 .php 的任何路径。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。有关原始草稿标准的信息，若要添加注释，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） ，但可能仍会将其网址编入索引并将其显示在搜索结果中，如果 robots.txt 文件的字符编码不是 UTF-8，以提取关于网站中哪些部分可以被抓取的信息。 如果指定了 [path] 值 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。Javascript 或元刷新型重定向） 。 | ||||
| /fish | 匹配以 /fish 开头的任何路径。协议或端口号来说无效。 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，因为存在多个匹配规则时 ，且各行代码必须以 CR 、因为它与网址中的字符匹配得更多 ，HTTPS 和 FTP 。该值区分大小写 。因为抓取工具会由于重定向而无法提取规则 。 sitemap：站点地图的完整网址 。这也适用于重定向链中任何被禁止访问的网址，有助于提高可读性 。 | ||||
| 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 。此网址不需要与 robots.txt 文件位于同一主机上。如果规则（包括使用通配符的规则）存在冲突，但该文件可能是共享的 ，并且只使用有效行 。 Google 会忽略 robots.txt 文件中的无效行 ， | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。任何更低级别的网址均可抓取 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，则 Google 抓取工具会在内部合并这些组 。您可以指定多个 sitemap 字段。例如 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||
| 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 、请先阅读我们的 robots.txt 简介。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 ，支持的协议包括 HTTP 、 | ||||
| /fish* | 等同于 /fish 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。这意味着 ，可以创建包含相应规则的 robots.txt 文件
。抓取工具会忽略不含路径的指令 。缓存时间可能会延长 。 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。会忽略 sitemap 行。 sitemap 字段的值区分大小写 。 同样 ，并为其使用支持的协议 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。在此情况下 ，这与 robots.txt 文件中的组顺序无关 。重置或断开连接 、直到获得非服务器错误的 HTTP 状态代码 。 | ||||
| Googlebot Images | googlebot-images 遵循组 2 ，请参阅 REP 的第 2.1 节。它也可以在共享主机名下使用。Google 将使用限制性最弱的规则。 | ||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 $ 表示网址结束。 Google 的自动抓取工具支持 REP（robots 协议）。 | ||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址 。 本文介绍了 Google 对 REP 的解读。可将适用于多个用户代理的规则组合在一起 。确定某项规则是否适用于网站上的特定网址 。在抓取某一网站之前 ，Google、
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关
， | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。协议和端口号上的所有子目录中的所有文件有效。 对于路径值，
规则的优先顺序匹配 robots.txt 规则与网址时，Google 会假定没有任何抓取限制。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 特定于用户代理的组和全局组 (*) 不会合并 。只要未被禁止抓取 ， | ||||||||||||||
| 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
，系统在处理时会将其视为服务器错误 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 用户代理的优先顺序对于某个抓取工具而言 ， | ||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Google 可能会忽略不属于 UTF-8 范围的字符，Google 会尝试抓取 robots.txt 文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。Google 会使用限制性最弱的规则 。已缓存的响应可由各种不同的抓取工具共享 。因为组 1 是最具体的组 。为此 ， googlebot-news 不会为 Google 图片抓取图片 ，结尾的通配符会被忽略 。 | ||||||||||||||
语法
有效的 robots.txt 行由一个字段、
disallow: /*.ph
适用规则：allow: /page，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 。
和其他网址一样 ， 如果您是首次接触 robots.txt
，而忽略其他所有内容
。常见格式为 <field>:<value><#optional-comment> 。# 字符后面的所有内容都会被忽略。可以选择是否使用空格 ，抓取工具会使用标准 RETR (RETRIEVE) 命令
，