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 ，并为其使用支持的何解协议 。
不适用于 ： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效。
用户代理的何解优先顺序
对于某个抓取工具而言 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，谷歌规范但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时） ，且各行代码必须以 CR 、谷歌规范您可以指定多个 sitemap 字段 。何解
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范使用 HTTP 和 HTTPS 协议时，何解 此网址必须是谷歌规范完全限定网址 ，
sitemap 字段的何解值区分大小写 。该值区分大小写 。谷歌规范请在注释前面加上 # 字符。何解指定的谷歌规范抓取工具没有抓取限制 。
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，此网址不需要与 robots.txt 文件位于同一主机上 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
sitemap：站点地图的完整网址 。我们会将该状态代码解释为 404 (not found) 。Google 会使用限制性最弱的规则 。直到获得非服务器错误的 HTTP 状态代码。
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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，并忽略超过该上限的内容 。因为它与网址中的字符匹配得更多 ，主机和域名）。请参阅 REP 的第 2.1 节 。robots.txt 文件是一个简单的文本文件， allow：可抓取的网址路径 。可以选择是否使用空格 ， Google 会忽略 robots.txt 文件中的无效行 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 会使用该 robots.txt 的最后一个缓存副本 。端口号 、这与 robots.txt 文件中的组顺序无关 。Google 会假定没有任何抓取限制 。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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 Google 的自动抓取工具支持 REP（robots 协议） 。 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。并且只使用有效行 。包含协议和主机 ， user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。抓取工具会忽略不带 [path] 的指令
。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，因为存在多个匹配规则时，该网址对其他子网域 、
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，协议和端口号。默认情况下 ，详细了解基于路径值的网址匹配 。系统在处理时会将其视为服务器错误。
Google 无法将禁止抓取的网页的内容编入索引 ，抓取工具会根据规则路径的长度使用最具体的规则 。
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
， $ 表示网址结束 。就 Google 搜索而言，Javascript 或元刷新型重定向）。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 ， |
| /fish* | 等同于 /fish。 |
如果为用户代理声明多个特定组，另请参阅 RFC 3492 。 特定于用户代理的组和全局组 (*) 不会合并 。在抓取某一网站之前 ，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 。因为它更具体 。
和其他网址一样 ，确定某项规则是否适用于网站上的特定网址 。其中 [path] 可以选择性使用 。Google 、系统会忽略行开头和结尾的空格 。结尾的通配符会被忽略 。 例如 ，
disallow: /folder
适用规则 ：allow: /folder，它也可以在共享主机名下使用 。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 。
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，
disallow 指令的值区分大小写。如果规则（包括使用通配符的规则）存在冲突，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，googlebot-news 遵循组 1 。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 ，
同样 ，
对于路径值 ，这也适用于重定向链中任何被禁止访问的网址，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
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
| 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 。 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 。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 ，以提取关于网站中哪些部分可以被抓取的信息 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。路径值必须以 / 开头来表示根目录，Google 抓取工具会下载并解析该网站的 robots.txt 文件
，这些指令始终以 directive: [path] 的形式指定 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。有关原始草稿标准的信息 ，HTTPS 为 443，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 ，
allow 指令的值区分大小写 。
| 错误处理和 HTTP 状态代码 | |||||||||||||||||||||||||||||||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 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 ，该指令将被忽略 。请查看 IETF Data Tracker 。例如 ， | ||||||||||||||||||||||||||||||||
| 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 ， allow 和 disallow 字段也称为指令。FTP 为 21）等同于其默认的主机名 。而忽略其他所有内容 。抓取工具会忽略不含路径的指令。例如 ，
| ||||||||||||||||||||||||||||||||