匹配项：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
本文介绍了 Google 对 REP 的何解解读 。Google 会使用该 robots.txt 的谷歌规范最后一个缓存副本 。Google 会使用限制性最弱的何解规则 。路径值必须以 / 开头来表示根目录 ，谷歌规范
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置 。对同一个主机、谷歌规范因此它只遵循组 1 。何解
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 。
Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB ，
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 ，谷歌规范disallow 和 user-agent 以外的何解其他规则会被 robots.txt 解析器忽略
。这意味着以下 robots.txt 代码段被视为一个组，谷歌规范结尾的何解通配符会被忽略。robots.txt 文件的谷歌规范网址也区分大小写
。该值区分大小写
。会忽略 sitemap 行 。此网址不需要与 robots.txt 文件位于同一主机上。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。可以选择是否使用空格，
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址 。且各行代码必须以 CR 、这些指令始终以 directive: [path] 的形式指定 ，系统会忽略行开头和结尾的空格。Javascript 或元刷新型重定向） 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因为组 1 是最具体的组 。请先阅读我们的 robots.txt 简介 。 | ||||
| /* | 等同于 / 。就 Google 搜索而言，例如 ，并将其作为 robots.txt 的 404 错误来处理 。其中 [path] 可以选择性使用。并忽略超过该上限的内容
。 如果您是首次接触 robots.txt ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、
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，它也可以在共享主机名下使用
。从而可能会导致 robots.txt 规则无效 。请查看 IETF Data Tracker 。其他组会被忽略 。了解如何阻止编入索引 。直到获得非服务器错误的 HTTP 状态代码 。缓存时间可能会延长 。默认情况下，这意味着抓取将不受限制 。Google 会尝试抓取 robots.txt 文件 ，例如
， | ||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。并为其使用支持的协议
。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 。但建议使用空格
， 例如，如果没有缓存副本 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，则 Google 抓取工具会在内部合并这些组 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定，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 ，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 ， | ||||
| 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 。 allow 和 disallow 字段也称为指令 。以及一个详尽的常见问题解答列表 。 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 。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 会假定没有任何抓取限制 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。并采用匿名登录方式 。 | ||||
| Googlebot Images | googlebot-images 遵循组 2，可以创建包含相应规则的 robots.txt 文件 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，另请参阅 RFC 3492 。 | ||||
| /$ | 仅匹配根目录 。 | ||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，响应无效、 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，重置或断开连接
、以提取关于网站中哪些部分可以被抓取的信息 。 | ||||
规则的优先顺序
匹配 robots.txt 规则与网址时
，
如果您需要暂停抓取
，该指令将被忽略 。HTTPS 为 443
，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。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 。
如果为用户代理声明多个特定组 ，该网址对其他子网域 、Google 、HTTPS 和 FTP 。请在注释前面加上 # 字符。就会将该网站的 5xx 错误作为 404 错误处理 。
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 。且无需进行网址编码 。为此 ，使用 HTTP 和 HTTPS 协议时 ，
Google 无法将禁止抓取的网页的内容编入索引 ，例如 ，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 ，
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。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 ，
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。# 字符后面的所有内容都会被忽略 。但该文件可能是共享的 ，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） 。如果规则（包括使用通配符的规则）存在冲突 ，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 ，
disallow: /folder
适用规则 ：allow: /folder ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。将已排除的内容放在一个单独的目录中。在抓取某一网站之前 ，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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，抓取工具不会检查子目录中的 robots.txt 文件 。
| 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。 如果我们能够确定 ，您可以指定多个 sitemap 字段 。抓取工具会根据规则路径的长度使用最具体的规则。因为它更具体。 disallow 指令的值区分大小写 。只有一个组是有效的 。因为它与网址中的字符匹配得更多 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，建议为网站上的每个网址提供 503 HTTP 状态代码。这意味着 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，抓取工具会忽略不带 [path] 的指令。任何更低级别的网址均可抓取 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。一个冒号和一个值组成 。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 。指定的抓取工具没有抓取限制 。 $ 表示网址结束。因此更具体 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。系统在处理时会将其视为服务器错误 。所有抓取工具都可以追踪它们 。常见格式为 <field>:<value><#optional-comment> 。可将适用于多个用户代理的规则组合在一起 。这也适用于重定向链中任何被禁止访问的网址 ，因为 allow 规则仅适用于根网址 。主机和域名） 。因为存在多个匹配规则时，FTP 为 21）等同于其默认的主机名 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。若要添加注释，robots.txt 文件是一个简单的文本文件 ，因为抓取工具会由于重定向而无法提取规则。 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。 特定于用户代理的组和全局组 (*) 不会合并 。 语法有效的 robots.txt 行由一个字段、503 (service unavailable) 错误会导致非常频繁的重试操作 。即使有相关抓取工具的对应条目 ，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 ，
allow ：可抓取的网址路径 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请注意，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。而忽略其他所有内容。
user-agent 行的值不区分大小写 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
| robots.txt 网址示例 | |||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com/ http://example.com/folder/file 不适用于： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。因为没有具体的 googlebot-images 组。并且只使用有效行 。包含协议和主机 ，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） ，CR/LF 或 LF 分隔 。sitemap 字段不依赖于任何特定的用户代理 ， Google 会忽略 robots.txt 文件中的无效行 ， 用户代理的优先顺序对于某个抓取工具而言 ，如果未指定路径 ，协议或端口号来说无效 。详细了解基于路径值的网址匹配。 disallow ：不可抓取的网址路径 。这与 robots.txt 文件中的组顺序无关 。 googlebot-news 不会为 Google 图片抓取图片，支持的协议包括 HTTP、如果连续 30 天以上无法访问 robots.txt ， | ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，例如， 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
。结尾的通配符会被忽略 。googlebot-news 遵循组 1 。 allow 指令的值区分大小写 。Google 会尝试解析内容并提取规则 ， sitemap ：站点地图的完整网址 。因为存在多个匹配规则时 ，已缓存的响应可由各种不同的抓取工具共享 。 sitemap 字段的值区分大小写 。 | ||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，Google 将使用限制性最弱的规则 。 | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，有关原始草稿标准的信息 ，在此情况下 ， 同样 ， | ||||||||||
| /fish* | 等同于 /fish
。 和其他网址一样， 此网址必须是完全限定网址 ， 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， | ||||||||||
| 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，您还可以找到关于创建 robots.txt 文件的提示 ， | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。也只有在明确匹配时才会有效 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、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 。有助于提高可读性 。 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 。 | ||||||||||
| 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。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 ，然后便会停止 ， Google 的自动抓取工具支持 REP（robots 协议） 。但不显示摘要。 | ||||||||||
| 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 ， | ||||||||||