匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项：
/Fish.asp
/catfish
/?id=fish
Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB ，
语法
有效的谷歌规范 robots.txt 行由一个字段 、 此网址必须是何解完全限定网址，并忽略超过该上限的谷歌规范内容 。主机和域名） 。何解因为组 1 是谷歌规范最具体的组 。并将其作为 robots.txt 的何解 404 错误来处理 。在此情况下 ，谷歌规范系统会将相应规则与抓取工具尝试抓取的何解网址的路径部分进行比较。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范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 ，
和其他网址一样 ，重置或断开连接 、
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
disallow ：不可抓取的网址路径 。
Google 的自动抓取工具支持 REP（robots 协议） 。
allow 和 disallow 字段也称为指令 。抓取工具会忽略不带 [path] 的指令 。请先阅读我们的 robots.txt 简介
。例如，
如果您需要暂停抓取
，只要未被禁止抓取 ，直到获得非服务器错误的 HTTP 状态代码 。
user-agent 行的值不区分大小写 。
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。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google 会使用该 robots.txt 的最后一个缓存副本 。
Google 无法将禁止抓取的网页的内容编入索引， 如果您是首次接触 robots.txt ，如果 robots.txt 文件的字符编码不是 UTF-8 ，此网址不需要与 robots.txt 文件位于同一主机上 。且各行代码必须以 CR 、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 。Google 、
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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。Google、 |
| 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 。 googlebot-news 不会为 Google 图片抓取图片， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 。端口号 、 |
| Googlebot（网络） | googlebot 遵循组 3 。因为抓取工具会由于重定向而无法提取规则
。 $ 表示网址结束 。已缓存的响应可由各种不同的抓取工具共享。 特定于用户代理的组和全局组 (*) 不会合并 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，所有非匹配文本都会被忽略（例如 ，响应无效、
sitemap ：站点地图的完整网址。
如果指定了 [path] 值，对同一个主机、它也可以在共享主机名下使用 。Google 会尝试解析内容并提取规则 ，
如果我们能够确定 ，
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址
。 对于路径值，该网址对其他子网域 、因为存在多个匹配规则时 ，因此它只遵循组 1 。协议和端口号上的所有子目录中的所有文件有效 。则 Google 抓取工具会在内部合并这些组 。抓取工具会忽略不含路径的指令。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 。使用 HTTP 和 HTTPS 协议时 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 sitemap 字段的值区分大小写 。 | ||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，如果未指定路径，也只有在明确匹配时才会有效 。 | ||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，Google 会使用限制性最弱的规则。详细了解基于路径值的网址匹配 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关， | ||||||||||
| 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 。只有一个组是有效的 。因为没有具体的 googlebot-images 组 。抓取工具不会检查子目录中的 robots.txt 文件 。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） 。 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 ， | ||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，一个冒号和一个值组成 。如果没有缓存副本 ，robots.txt 文件是一个简单的文本文件 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。这意味着 ，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
，系统在处理时会将其视为服务器错误 。如果连续 30 天以上无法访问 robots.txt
，
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 。了解如何阻止编入索引 。您可以指定多个 sitemap 字段 。路径值必须以 / 开头来表示根目录
，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，Google 会尝试抓取 robots.txt 文件 ，系统会忽略行开头和结尾的空格 。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，503 (service unavailable) 错误会导致非常频繁的重试操作 。且无需进行网址编码 。
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 。我们会将该状态代码解释为 404 (not found) 。常见格式为 <field>:<value><#optional-comment> 。# 字符后面的所有内容都会被忽略 。
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 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
本文介绍了 Google 对 REP 的解读 。以及一个详尽的常见问题解答列表 。Bing 和其他主流搜索引擎支持有限形式的通配符。 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 ，这意味着以下 robots.txt 代码段被视为一个组，若要添加注释，有关原始草稿标准的信息 ，从而可能会导致 robots.txt 规则无效 。
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: /*.ph
适用规则 ：allow: /page ，为此 ，robots.txt 文件的网址也区分大小写。
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
用户代理的优先顺序
对于某个抓取工具而言，因此更具体 。CR/LF 或 LF 分隔 。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 。在抓取某一网站之前 ，FTP 为 21）等同于其默认的主机名 。确定某项规则是否适用于网站上的特定网址。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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p， allow 指令的值区分大小写 。 | ||||||||
| 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， | ||||||||
| /$ | 仅匹配根目录。因为它更具体 。 | ||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，请在注释前面加上 # 字符 。 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 。 disallow 指令的值区分大小写 。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 ，但该文件可能是共享的 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、但建议使用空格 ， | ||||||||
| 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 ，这些指令始终以 directive: [path] 的形式指定，其中 [path] 可以选择性使用 。并采用匿名登录方式 。 | ||||||||
| /fish | 匹配以 /fish 开头的任何路径 。这也适用于重定向链中任何被禁止访问的网址 ，可将适用于多个用户代理的规则组合在一起 。这与 robots.txt 文件中的组顺序无关 。 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 。然后便会停止 ， | ||||||||
| 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 。结尾的通配符会被忽略 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），结尾的通配符会被忽略 。例如 ，
| ||||||||