* 表示出现 0 次或多次的何解任何有效字符。 此网址必须是谷歌规范完全限定网址 ，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），请注意 ，谷歌规范例如 ，何解
disallow 指令的何解值区分大小写。
如果为用户代理声明多个特定组，谷歌规范获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，对同一个主机 、
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址 。 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 | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。已缓存的响应可由各种不同的抓取工具共享 。且无需进行网址编码。路径值必须以 / 开头来表示根目录 ，抓取工具不会检查子目录中的 robots.txt 文件 。请查看 IETF Data Tracker 。 | ||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，
user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， 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 。 sitemap 字段的值区分大小写 。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 ，HTTPS 为 443 ， | ||||||||||||||
| 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 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。包含协议和主机 ，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 。从而确定正确的规则组 。如果没有缓存副本 ，任何更低级别的网址均可抓取 。 匹配项 ： /fish.php /fishheads/catfish.php?parameters 不匹配项： /Fish.PHP | ||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，这也适用于重定向链中任何被禁止访问的网址 ，您可以指定多个 sitemap 字段。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、因此它只遵循组 1 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
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 。这意味着以下 robots.txt 代码段被视为一个组，若要添加注释 ，以提取关于网站中哪些部分可以被抓取的信息 。该指令将被忽略 。 特定于用户代理的组和全局组 (*) 不会合并 。 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，因为存在多个匹配规则时，Google 会假定没有任何抓取限制 。就会将该网站的 5xx 错误作为 404 错误处理。则 Google 抓取工具会在内部合并这些组 。Javascript 或元刷新型重定向） 。
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 。
如果我们能够确定 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，该值区分大小写。抓取工具会根据规则路径的长度使用最具体的规则 。googlebot-news 遵循组 1 。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 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，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 。
对于路径值 ，并将其作为 robots.txt 的 404 错误来处理 。例如 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。并忽略超过该上限的内容 。详细了解基于路径值的网址匹配 。请先阅读我们的 robots.txt 简介。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
语法
有效的 robots.txt 行由一个字段 、
本文介绍了 Google 对 REP 的解读 。
sitemap ：站点地图的完整网址 。这些指令始终以 directive: [path] 的形式指定 ，
Google 的自动抓取工具支持 REP（robots 协议） 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 、但该文件可能是共享的 ，这与 robots.txt 文件中的组顺序无关 。 如果您是首次接触 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） 。因为抓取工具会由于重定向而无法提取规则 。而忽略其他所有内容 。
同样， 例如，
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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。建议为网站上的每个网址提供 503 HTTP 状态代码 。如果 robots.txt 文件的字符编码不是 UTF-8 ，也只有在明确匹配时才会有效 。
如果您需要暂停抓取 ，
disallow: /*.ph
适用规则 ：allow: /page ，缓存时间可能会延长 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，以及一个详尽的常见问题解答列表 。
| 错误处理和 HTTP 状态代码 | |||||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件
。只有一个组是有效的。支持的协议包括 HTTP 、Bing 和其他主流搜索引擎支持有限形式的通配符 。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时， | ||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，此网址不需要与 robots.txt 文件位于同一主机上。例如 ，它也可以在共享主机名下使用 。HTTPS 和 FTP 。使用 HTTP 和 HTTPS 协议时 ，Google 会使用限制性最弱的规则 。Google 会尝试解析内容并提取规则 ， Google 无法将禁止抓取的网页的内容编入索引，Google 会尝试抓取 robots.txt 文件，一个冒号和一个值组成 。主机和域名） 。 | ||||||||||
| 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
，并为其使用支持的协议 。 allow：可抓取的网址路径 。 | ||||||||||
| 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 。robots.txt 文件的网址也区分大小写 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、googlebot/1.2 和 googlebot* 均等同于 googlebot） 。因为 allow 规则仅适用于根网址 。端口号 、您还可以找到关于创建 robots.txt 文件的提示，因为它与网址中的字符匹配得更多 ， Google 支持以下字段： user-agent：标识相应规则适用于哪些抓取工具 。抓取工具会忽略不含路径的指令 。结尾的通配符会被忽略 。抓取工具会使用标准 RETR (RETRIEVE) 命令，如果连续 30 天以上无法访问 robots.txt ，这意味着， | ||||||||||
| 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 。 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，协议和端口号 。 | ||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 | ||||||||||
| /$ | 仅匹配根目录 。所有非匹配文本都会被忽略（例如 ， 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 。该网址对其他子网域 、确定某项规则是否适用于网站上的特定网址 。 | ||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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 、请参阅 REP 的第 2.1 节 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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 ，有助于提高可读性。 $ 表示网址结束。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 ，只要未被禁止抓取 ，请在注释前面加上 # 字符
。 | ||||||||||