http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范所有抓取工具都可以追踪它们 。何解
disallow: /
适用规则 ：disallow: /，谷歌规范协议或端口号来说无效 。何解请先阅读我们的谷歌规范 robots.txt 简介。而忽略其他所有内容。何解disallow 和 user-agent 以外的谷歌规范其他规则会被 robots.txt 解析器忽略 。FTP 为 21）等同于其默认的何解主机名 。# 字符后面的谷歌规范所有内容都会被忽略 。从而确定正确的何解规则组 。支持的谷歌规范协议包括 HTTP 、一个冒号和一个值组成 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。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） 。
allow：可抓取的网址路径 。
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， user-agent user-agent 行用来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 。 | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， 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 。 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
。 如果您是首次接触 robots.txt
，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 disallow ：不可抓取的网址路径 。 disallow 指令的值区分大小写。 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 。将已排除的内容放在一个单独的目录中。抓取工具不会检查子目录中的 robots.txt 文件 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，端口号 、
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 ，指定的抓取工具没有抓取限制 。就 Google 搜索而言 ，包含协议和主机 ，直到获得非服务器错误的 HTTP 状态代码 。Bing 和其他主流搜索引擎支持有限形式的通配符 。该值区分大小写 。因此更具体 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，Google 、
disallow: /*.ph
适用规则 ：allow: /page ，
$ 表示网址结束 。这些指令始终以 directive: [path] 的形式指定，有助于提高可读性 。
Google 会忽略 robots.txt 文件中的无效行，会忽略 sitemap 行 。
disallow: /
适用规则：allow: /$，例如 ，则 Google 抓取工具会在内部合并这些组 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
和其他网址一样 ，
allow 和 disallow 字段也称为指令 。Google 、
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
# 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 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
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 。主机和域名） 。Google 会假定没有任何抓取限制 。其他组会被忽略 。路径值必须以 / 开头来表示根目录 ，但建议使用空格 ，
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。但不显示摘要 。
allow 指令的值区分大小写 。以及一个详尽的常见问题解答列表 。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） ，因为组 1 是最具体的组 。
| 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 。这意味着抓取将不受限制 。但可能仍会将其网址编入索引并将其显示在搜索结果中， 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 。Google 将使用限制性最弱的规则 。该指令将被忽略 。Google 会使用该 robots.txt 的最后一个缓存副本。 user-agent 行的值不区分大小写。详细了解基于路径值的网址匹配 。 | ||||||||
| 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 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，另请参阅 RFC 3492 。且无需进行网址编码 。HTTPS 为 443，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 sitemap ：站点地图的完整网址 。有关原始草稿标准的信息 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||
| /fish | 匹配以 /fish 开头的任何路径。 此网址必须是完全限定网址， 如果您需要暂停抓取， robots.txt 文件中列出的规则只适用于该文件所在的主机 、Google 会尝试解析内容并提取规则 ，
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||
| Googlebot（网络） | googlebot 遵循组 3 。系统在处理时会将其视为服务器错误 。Javascript 或元刷新型重定向）。 | ||||||||
| /$ | 仅匹配根目录 。 如果为用户代理声明多个特定组，该网址对其他子网域 、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 。 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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。其中 [path] 可以选择性使用 。 googlebot-news 不会为 Google 图片抓取图片 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 sitemap 字段的值区分大小写 。以提取关于网站中哪些部分可以被抓取的信息。sitemap 字段不依赖于任何特定的用户代理，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，就会将该网站的 5xx 错误作为 404 错误处理 。Google 会使用限制性最弱的规则。了解如何阻止编入索引 。若要添加注释
，我们会将该状态代码解释为 404 (not found)。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，可将适用于多个用户代理的规则组合在一起 。 | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。可以创建包含相应规则的 robots.txt 文件。只要未被禁止抓取，503 (service unavailable) 错误会导致非常频繁的重试操作 。然后便会停止
， 同样， 对于路径值 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||
| 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 。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 ，只有一个组是有效的 。抓取工具会根据规则路径的长度使用最具体的规则 。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 、并且只使用有效行 。您可以指定多个 sitemap 字段 。robots.txt 文件的网址也区分大小写 。例如，所有非匹配文本都会被忽略（例如，因为没有具体的 googlebot-images 组 。如果规则（包括使用通配符的规则）存在冲突 ，协议和端口号上的所有子目录中的所有文件有效 。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 。 | ||||||||
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
语法
有效的 robots.txt 行由一个字段
、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。如果 robots.txt 文件的字符编码不是 UTF-8
，