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 ，其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则 。结尾的何解通配符会被忽略 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码，这些通配符包括 ：
* 表示出现 0 次或多次的何解任何有效字符 。HTTPS 和 FTP 。谷歌规范503 (service unavailable) 错误会导致非常频繁的何解重试操作。并且只使用有效行 。谷歌规范REP 不适用于由用户控制的何解 Google 抓取工具（例如 Feed 订阅），有关原始草稿标准的谷歌规范信息 ，
如果我们能够确定 ，何解此网址不需要与 robots.txt 文件位于同一主机上 。谷歌规范Bing 和其他主流搜索引擎支持有限形式的何解通配符 。
disallow: /
适用规则 ：disallow: / ，谷歌规范
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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，为此 ，其他组会被忽略。googlebot-news 遵循组 1 。指定的抓取工具没有抓取限制。
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 ，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 ，因为抓取工具会由于重定向而无法提取规则 。并采用匿名登录方式。因为存在多个匹配规则时 ，且无需进行网址编码。您还可以找到关于创建 robots.txt 文件的提示 ，HTTPS 为 443，
用户代理的优先顺序
对于某个抓取工具而言 ，Google 会尝试解析内容并提取规则 ，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） 。
如果为用户代理声明多个特定组 ，并为其使用支持的协议 。主机和域名） 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址。抓取工具会忽略不带 [path] 的指令 。因为组 1 是最具体的组 。但建议使用空格 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
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 ，
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 。
对于路径值 ，因为存在多个匹配规则时 ，例如 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 将使用限制性最弱的规则 。请先阅读我们的 robots.txt 简介。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。
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 。
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 。以及一个详尽的常见问题解答列表。就 Google 搜索而言，
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 。如果连续 30 天以上无法访问 robots.txt，
sitemap ：站点地图的完整网址
。常见格式为 <field>:<value><#optional-comment> 。并忽略超过该上限的内容 。这与 robots.txt 文件中的组顺序无关
。以提取关于网站中哪些部分可以被抓取的信息 。如果没有缓存副本 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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 ，请参阅 Google 抓取工具和用户代理字符串，
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
Google 无法将禁止抓取的网页的内容编入索引，但该文件可能是共享的，任何更低级别的网址均可抓取 。建议为网站上的每个网址提供 503 HTTP 状态代码 。例如 ，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 。可以创建包含相应规则的 robots.txt 文件 。该指令将被忽略 。
user-agent 行的值不区分大小写 。结尾的通配符会被忽略 。重置或断开连接、一个冒号和一个值组成 。响应无效、
allow 指令的值区分大小写 。
disallow 指令的值区分大小写 。因为没有具体的 googlebot-images 组 。从而确定正确的规则组 。而忽略其他所有内容 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。将已排除的内容放在一个单独的目录中 。
$ 表示网址结束
。确定某项规则是否适用于网站上的特定网址 。对同一个主机、
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 。
disallow: /
适用规则 ：allow: /$，我们会将该状态代码解释为 404 (not found) 。robots.txt 文件是一个简单的文本文件 ，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 、
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。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） ，请查看 IETF Data Tracker 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，# 字符后面的所有内容都会被忽略 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。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 ，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 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ， 此网址必须是完全限定网址，
Google 会忽略 robots.txt 文件中的无效行 ，缓存时间可能会延长。可将适用于多个用户代理的规则组合在一起 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
Google 的自动抓取工具支持 REP（robots 协议） 。请在注释前面加上 # 字符。默认情况下 ，您可以指定多个 sitemap 字段。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
allow ：可抓取的网址路径。系统在处理时会将其视为服务器错误 。
本文介绍了 Google 对 REP 的解读。但可能仍会将其网址编入索引并将其显示在搜索结果中，从而可能会导致 robots.txt 规则无效 。
sitemap 字段的值区分大小写 。Google 会假定没有任何抓取限制。详细了解基于路径值的网址匹配 。 googlebot-news 不会为 Google 图片抓取图片 ，
disallow ：不可抓取的网址路径。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。包含协议和主机 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，路径值必须以 / 开头来表示根目录 ，CR/LF 或 LF 分隔 。并将其作为 robots.txt 的 404 错误来处理 。Google 、
disallow: /*.ph
适用规则 ：allow: /page ，所有非匹配文本都会被忽略（例如 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、Google 会使用限制性最弱的规则 。因为 allow 规则仅适用于根网址 。
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。抓取工具会根据规则路径的长度使用最具体的规则。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Javascript 或元刷新型重定向） 。
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
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，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 ， | ||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。该网址对其他子网域 、因为它与网址中的字符匹配得更多 ，
| ||||||||||||||||||