user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解因此更具体 。谷歌规范
disallow: /
适用规则 ：allow: /$，何解该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效 ，这与 robots.txt 文件中的何解组顺序无关 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，谷歌规范您还可以找到关于创建 robots.txt 文件的提示，
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，其他组会被忽略 。已缓存的响应可由各种不同的抓取工具共享 。包含协议和主机 ，Google 可能会忽略不属于 UTF-8 范围的字符，
disallow 指令的值区分大小写。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 。
| 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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。有助于提高可读性。对同一个主机 、抓取工具不会检查子目录中的 robots.txt 文件。常见格式为 <field>:<value><#optional-comment> 。抓取工具会忽略不含路径的指令 。因为它与网址中的字符匹配得更多 ，会忽略 sitemap 行 。例如 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。详细了解基于路径值的网址匹配。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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
。只要未被禁止抓取 ，协议和端口号。此网址不需要与 robots.txt 文件位于同一主机上
。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为没有具体的 googlebot-images 组 。该指令将被忽略 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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 ，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，它也可以在共享主机名下使用 。
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 。从而确定正确的规则组 。
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 。就会将该网站的 5xx 错误作为 404 错误处理 。HTTPS 和 FTP 。请在注释前面加上 # 字符。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 。一个冒号和一个值组成 。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） ，如果规则（包括使用通配符的规则）存在冲突，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符
。 例如 ，协议和端口号上的所有子目录中的所有文件有效
。
如果我们能够确定
，因为 allow 规则仅适用于根网址 。直到获得非服务器错误的 HTTP 状态代码。Google 会使用限制性最弱的规则
。
如果指定了 [path] 值 ，
Google 会忽略 robots.txt 文件中的无效行 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、我们会将该状态代码解释为 404 (not found) 。使用 HTTP 和 HTTPS 协议时，了解如何阻止编入索引 。例如 ，例如 ，可将适用于多个用户代理的规则组合在一起。其中 [path] 可以选择性使用 。
disallow: /*.ph
适用规则 ：allow: /page，因为它更具体 。以及一个详尽的常见问题解答列表。则 Google 抓取工具会在内部合并这些组 。您可以指定多个 sitemap 字段 。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 ，
$ 表示网址结束 。Google 会尝试解析内容并提取规则 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，然后便会停止 ，
allow 和 disallow 字段也称为指令 。这意味着，
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 。所有非匹配文本都会被忽略（例如，
allow：可抓取的网址路径 。指定的抓取工具没有抓取限制 。
如果为用户代理声明多个特定组，
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 。另请参阅 RFC 3492 。请参阅 Google 抓取工具和用户代理字符串 ，
对于路径值 ，只有一个组是有效的。
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 。
本文介绍了 Google 对 REP 的解读。缓存时间可能会延长 。因为存在多个匹配规则时 ，端口号、
同样 ，因此它只遵循组 1。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。也只有在明确匹配时才会有效
。
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
语法
有效的 robots.txt 行由一个字段 、Google 会假定没有任何抓取限制 。重置或断开连接、可以创建包含相应规则的 robots.txt 文件 。
Google 无法将禁止抓取的网页的内容编入索引 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
如果您需要暂停抓取，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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，就 Google 搜索而言 ，结尾的通配符会被忽略 。
disallow ：不可抓取的网址路径 。例如 ，请查看 IETF Data Tracker 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
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 。
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 ，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 、这也适用于重定向链中任何被禁止访问的网址，有关原始草稿标准的信息 ，因为抓取工具会由于重定向而无法提取规则。
用户代理的优先顺序
对于某个抓取工具而言 ，支持的协议包括 HTTP 、系统在处理时会将其视为服务器错误 。从而可能会导致 robots.txt 规则无效 。可以选择是否使用空格 ，
disallow: /
适用规则 ：disallow: / ，
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p，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 ，默认情况下 ， sitemap 字段的值区分大小写
。 | ||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。 和其他网址一样 ， | ||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。为此 ，googlebot-news 遵循组 1。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， 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 。 | ||||||||||||||||||
| /$ | 仅匹配根目录。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， | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，以提取关于网站中哪些部分可以被抓取的信息 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 sitemap ：站点地图的完整网址 。而忽略其他所有内容 。Google 将使用限制性最弱的规则 。该值区分大小写 。 user-agent 行的值不区分大小写
。 | ||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。在此情况下，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 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，该网址对其他子网域、 Google 的自动抓取工具支持 REP（robots 协议） 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 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 ，系统会忽略行开头和结尾的空格 。这意味着以下 robots.txt 代码段被视为一个组 ，请参阅 REP 的第 2.1 节 。 googlebot-news 不会为 Google 图片抓取图片 ， 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。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。并且只使用有效行 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 此网址必须是完全限定网址 ，
| ||||||||||||||||||