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 地址作为主机名的何解 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。
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 ，谷歌规范请参阅 REP 的第 2.1 节 。Google 会使用限制性最弱的规则。您可以指定多个 sitemap 字段 。即使有相关抓取工具的对应条目 ，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 ，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
user-agent 行的值不区分大小写 。在此情况下，所有抓取工具都可以追踪它们。
sitemap 字段的值区分大小写 。也只有在明确匹配时才会有效 。详细了解基于路径值的网址匹配。
语法
有效的 robots.txt 行由一个字段 、一个冒号和一个值组成 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。它也可以在共享主机名下使用 。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，且各行代码必须以 CR 、支持的协议包括 HTTP 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。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） 。会忽略 sitemap 行 。如果没有缓存副本 ，
对于路径值 ，
allow ：可抓取的网址路径 。
如果为用户代理声明多个特定组 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 ，
如果指定了 [path] 值 ， 如果您是首次接触 robots.txt ，系统在处理时会将其视为服务器错误 。因为存在多个匹配规则时 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、如果下载的内容是 Html 格式而非 robots.txt 规则，则 Google 抓取工具会在内部合并这些组 。并为其使用支持的协议。
disallow
：不可抓取的网址路径。另请参阅 RFC 3492 。然后便会停止 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
如果我们能够确定 ，
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 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
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 ，CR/LF 或 LF 分隔 。主机和域名） 。
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 。响应无效 、sitemap 字段不依赖于任何特定的用户代理，且无需进行网址编码 。结尾的通配符会被忽略 。请查看 IETF Data Tracker 。Google 、并将其作为 robots.txt 的 404 错误来处理 。包含协议和主机 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因为它更具体。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。HTTPS 为 443，该值区分大小写 。例如 ，但不显示摘要。请在注释前面加上 # 字符 。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） ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，其中 [path] 可以选择性使用 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， Google 无法将禁止抓取的网页的内容编入索引 ， 同样， |
| 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 。 |
| 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 ，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 。对同一个主机 、FTP 为 21）等同于其默认的主机名 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，结尾的通配符会被忽略。请参阅 Google 抓取工具和用户代理字符串 ，robots.txt 文件的网址也区分大小写。Javascript 或元刷新型重定向） 。 googlebot-news 不会为 Google 图片抓取图片 ，常见格式为 <field>:<value><#optional-comment> 。默认情况下，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，路径值必须以 / 开头来表示根目录 ，因此它只遵循组 1。
sitemap ：站点地图的完整网址 。因为它与网址中的字符匹配得更多 ，因为组 1 是最具体的组 。任何更低级别的网址均可抓取。 例如 ，因此更具体 。
$ 表示网址结束 。因为抓取工具会由于重定向而无法提取规则 。这意味着 ，其他组会被忽略。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
allow 和 disallow 字段也称为指令 。Google 将使用限制性最弱的规则 。
Google 的自动抓取工具支持 REP（robots 协议） 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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 ，该指令将被忽略。抓取工具会忽略不带 [path] 的指令。
本文介绍了 Google 对 REP 的解读 。有助于提高可读性 。为此，可以创建包含相应规则的 robots.txt 文件 。Google、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这些指令始终以 directive: [path] 的形式指定 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 |
| /fish* | 等同于 /fish。从而可能会导致 robots.txt 规则无效 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 |
| 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
。可将适用于多个用户代理的规则组合在一起 。这意味着以下 robots.txt 代码段被视为一个组
，就会将该网站的 5xx 错误作为 404 错误处理 。用户代理的优先顺序对于某个抓取工具而言 ， allow 指令的值区分大小写 。您还可以找到关于创建 robots.txt 文件的提示 ， Google 会忽略 robots.txt 文件中的无效行
，就 Google 搜索而言 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
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， | ||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，了解如何阻止编入索引。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，抓取工具会忽略不含路径的指令。端口号 、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/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，
| ||||||||||||||||||||||||||||||||