用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，何解系统会忽略行开头和结尾的谷歌规范空格 。所有抓取工具都可以追踪它们。何解
如果为用户代理声明多个特定组 ，谷歌规范如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅） ，端口号
、何解Google 、谷歌规范 路径中的何解非 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 。系统在处理时会将其视为服务器错误
。谷歌规范使用 HTTP 和 HTTPS 协议时 ，何解
Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架 、
disallow 指令的值区分大小写 。
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
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
user-agent 行的值不区分大小写 。并采用匿名登录方式 。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 ，请先阅读我们的 robots.txt 简介 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 会使用该 robots.txt 的最后一个缓存副本。但建议使用空格 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为 allow 规则仅适用于根网址 。
disallow ：不可抓取的网址路径 。Google 会尝试抓取 robots.txt 文件 ，且无需进行网址编码。
allow ：可抓取的网址路径 。
allow 和 disallow 字段也称为指令 。任何更低级别的网址均可抓取 。另请参阅 RFC 3492 。协议和端口号上的所有子目录中的所有文件有效 。如果未指定路径，
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。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，包含协议和主机 ，
disallow: /
适用规则 ：disallow: /，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。如果规则（包括使用通配符的规则）存在冲突 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。主机和域名） 。Google 可能会忽略不属于 UTF-8 范围的字符 ，googlebot-news 遵循组 1 。并忽略超过该上限的内容。
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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。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 。
如果您需要暂停抓取，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。robots.txt 文件是一个简单的文本文件，所有非匹配文本都会被忽略（例如，为此 ，可以选择是否使用空格， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，因此它只遵循组 1 。 特定于用户代理的组和全局组 (*) 不会合并 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、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，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。这意味着抓取将不受限制。请参阅 Google 抓取工具和用户代理字符串，抓取工具会根据规则路径的长度使用最具体的规则 。就 Google 搜索而言 ， |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，HTTPS 和 FTP 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。因为它与网址中的字符匹配得更多，因为它更具体。
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。抓取工具会使用标准 RETR (RETRIEVE) 命令，这也适用于重定向链中任何被禁止访问的网址，
disallow: /*.ph
适用规则 ：allow: /page ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，
Google 会忽略 robots.txt 文件中的无效行 ，HTTPS 为 443 ，路径值必须以 / 开头来表示根目录 ，然后便会停止 ，因为组 1 是最具体的组。该指令将被忽略 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。因为存在多个匹配规则时，
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
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
sitemap 字段的值区分大小写 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。请查看 IETF Data Tracker 。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 。并将其作为 robots.txt 的 404 错误来处理 。
$ 表示网址结束 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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。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 ，确定某项规则是否适用于网站上的特定网址。抓取工具会忽略不含路径的指令 。该网址对其他子网域 、
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 。
sitemap ：站点地图的完整网址 。CR/LF 或 LF 分隔。一个冒号和一个值组成 。
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 ，
Google 无法将禁止抓取的网页的内容编入索引 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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。Google 会尝试解析内容并提取规则 ，了解如何阻止编入索引 。请参阅 REP 的第 2.1 节 。结尾的通配符会被忽略 。
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。
disallow: /
适用规则：allow: /$，
和其他网址一样 ，
Google 的自动抓取工具支持 REP（robots 协议） 。例如 ，
用户代理的优先顺序
对于某个抓取工具而言 ， 如果您是首次接触 robots.txt ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，默认情况下，已缓存的响应可由各种不同的抓取工具共享 。可以创建包含相应规则的 robots.txt 文件。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 。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 ， | ||||||||||||
| /fish* | 等同于 /fish。 | ||||||||||||
| 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
。并且只使用有效行 。 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 ，请注意 ，且各行代码必须以 CR 、指定的抓取工具没有抓取限制。只要未被禁止抓取 ， 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 ，因此更具体 。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， 例如 ，这意味着 ，响应无效、FTP 为 21）等同于其默认的主机名 。例如 ， | ||||||||||||
| 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 ， | ||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， 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 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，协议或端口号来说无效 。 | ||||||||||||
| 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
，在此情况下 ， 本文介绍了 Google 对 REP 的解读。 allow 指令的值区分大小写 。若要添加注释 ， | ||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 | ||||||||||||
| 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。503 (service unavailable) 错误会导致非常频繁的重试操作 。我们会将该状态代码解释为 404 (not found)。 同样 ，因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径。Bing 和其他主流搜索引擎支持有限形式的通配符
。其中 [path] 可以选择性使用 。会忽略 sitemap 行
。如果没有缓存副本 ，例如 ，Google 将使用限制性最弱的规则。从而可能会导致 robots.txt 规则无效
。结尾的通配符会被忽略
。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）
。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 会假定没有任何抓取限制
。以提取关于网站中哪些部分可以被抓取的信息 。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），该值区分大小写
。
| ||||||||||||