user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范主机和域名） 。何解robots.txt 文件是谷歌规范一个简单的文本文件 ，
disallow
disallow 指令用来指定不能被 disallow 指令所属的何解用户代理行所标识的抓取工具访问的路径 。指定的谷歌规范抓取工具没有抓取限制 。服务器响应的何解 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。 googlebot-news 不会为 Google 图片抓取图片 ，谷歌规范该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、
同样 ，谷歌规范在此情况下，何解
缓存
Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时 ，
disallow: /
适用规则 ：disallow: / ，谷歌规范重置或断开连接 、何解
对于路径值 ，并将其作为 robots.txt 的 404 错误来处理 。我们会将该状态代码解释为 404 (not found) 。即使有相关抓取工具的对应条目 ，其中 [path] 可以选择性使用。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 ，但建议使用空格 ，Google 会假定没有任何抓取限制。包含协议和主机 ，路径值必须以 / 开头来表示根目录 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、请注意，Google 可能会忽略不属于 UTF-8 范围的字符 ，结尾的通配符会被忽略 。且无需进行网址编码 。也只有在明确匹配时才会有效 。
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，从而确定正确的规则组。以及一个详尽的常见问题解答列表 。 如果为用户代理声明多个特定组 ，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 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， Google 无法将禁止抓取的网页的内容编入索引，以提取关于网站中哪些部分可以被抓取的信息。 | ||||
| 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。确定某项规则是否适用于网站上的特定网址。已缓存的响应可由各种不同的抓取工具共享 。 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。抓取工具会忽略不带 [path] 的指令
。 sitemap 字段的值区分大小写。 | ||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。googlebot-news 遵循组 1。 disallow 指令的值区分大小写 。抓取工具会使用标准 RETR (RETRIEVE) 命令，端口号 、 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||
| Googlebot News（抓取图片时） | 抓取图片时，协议和端口号。 如果我们能够确定， 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 ：
| ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm，Google 会使用限制性最弱的规则 。 如果指定了 [path] 值 ，该值区分大小写。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。缓存时间可能会延长 。从而可能会导致 robots.txt 规则无效。Google 会尝试解析内容并提取规则，但该文件可能是共享的 ，然后便会停止，有关原始草稿标准的信息 ，因此更具体。 | ||||
| Googlebot Images | googlebot-images 遵循组 2 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 | ||||
| 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 。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 ，如果规则（包括使用通配符的规则）存在冲突 ，且各行代码必须以 CR 、若要添加注释， | ||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，请参阅 Google 抓取工具和用户代理字符串 ，
disallow ：不可抓取的网址路径 。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 ，请查看 IETF Data Tracker 。
不适用于： http://example.com/
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 。将已排除的内容放在一个单独的目录中 。
allow 指令的值区分大小写 。对同一个主机 、Google、
本文介绍了 Google 对 REP 的解读 。只有一个组是有效的。
user-agent 行的值不区分大小写 。
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，抓取工具会忽略不含路径的指令 。HTTPS 为 443 ，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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。并且只使用有效行 。默认情况下 ，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，此网址不需要与 robots.txt 文件位于同一主机上。
allow 和 disallow 字段也称为指令。
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 ，请参阅 REP 的第 2.1 节 。您可以指定多个 sitemap 字段 。
| 路径匹配示例 | |||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||||||||||||||
| /$ | 仅匹配根目录
。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， | ||||||||||||||||||||||||
| 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 。因为组 1 是最具体的组 。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） ， 如果您需要暂停抓取 ，# 字符后面的所有内容都会被忽略 。结尾的通配符会被忽略 。一个冒号和一个值组成 。 和其他网址一样 ，其他组会被忽略 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。503 (service unavailable) 错误会导致非常频繁的重试操作
。例如，如果 robots.txt 文件的字符编码不是 UTF-8 ，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 ， 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 。sitemap 字段不依赖于任何特定的用户代理 ，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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。robots.txt 文件的网址也区分大小写 。 | ||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， Google 会忽略 robots.txt 文件中的无效行 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，这与 robots.txt 文件中的组顺序无关 。请先阅读我们的 robots.txt 简介
。 | ||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。请在注释前面加上 # 字符。在抓取某一网站之前
，支持的协议包括 HTTP 、系统会忽略行开头和结尾的空格
。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。就会将该网站的 5xx 错误作为 404 错误处理 。所有抓取工具都可以追踪它们
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。 例如 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
| ||||||||||||||||||||||||