http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效 ，如果 robots.txt 文件的谷歌规范字符编码不是 UTF-8，所有非匹配文本都会被忽略（例如 ，何解如果连续 30 天以上无法访问 robots.txt，谷歌规范该路径值就是何解 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、
Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。了解如何阻止编入索引。一个冒号和一个值组成。如果规则（包括使用通配符的规则）存在冲突 ，如果未指定路径 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、可将适用于多个用户代理的规则组合在一起 。结尾的通配符会被忽略。则 Google 抓取工具会在内部合并这些组 。协议和端口号 。
| 示例情况 | |||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，支持的协议包括 HTTP 、例如 ， allow：可抓取的网址路径。因为存在多个匹配规则时 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，响应无效 、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 。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） ， 如果指定了 [path] 值 ， 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 。 如果为用户代理声明多个特定组 ，将已排除的内容放在一个单独的目录中。 | ||||||||||||||||||||
| 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 ，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 。默认情况下 ， user-agent 行的值不区分大小写 。因为组 1 是最具体的组 。 对于路径值 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， googlebot-news 不会为 Google 图片抓取图片，sitemap 字段不依赖于任何特定的用户代理，然后便会停止 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， 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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。它也可以在共享主机名下使用。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，请在注释前面加上 # 字符 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，CR/LF 或 LF 分隔 。 | ||||||||||||||||||||
| /fish* | 等同于 /fish 。 disallow 指令的值区分大小写 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。该值区分大小写 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，这些指令始终以 directive: [path] 的形式指定 ，抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||||||||||||||
| 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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Javascript 或元刷新型重定向） 。 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，503 (service unavailable) 错误会导致非常频繁的重试操作。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 ，Google 将使用限制性最弱的规则 。HTTPS 为 443 ，就会将该网站的 5xx 错误作为 404 错误处理 。因此更具体 。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 ， | ||||||||||||||||||||
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。Google 会使用限制性最弱的规则。语法有效的 robots.txt 行由一个字段 、系统会忽略行开头和结尾的空格。您还可以找到关于创建 robots.txt 文件的提示 ，端口号 、可以选择是否使用空格 ，FTP 为 21）等同于其默认的主机名 。HTTPS 和 FTP 。请查看 IETF Data Tracker 。我们会将该状态代码解释为 404 (not found) 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，即使有相关抓取工具的对应条目 ，此网址不需要与 robots.txt 文件位于同一主机上 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 |
| 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 。以及一个详尽的常见问题解答列表 。所有抓取工具都可以追踪它们 。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。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 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 ，
同样，就 Google 搜索而言 ，请参阅 Google 抓取工具和用户代理字符串 ，但不显示摘要 。因为它更具体 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，抓取工具会忽略不带 [path] 的指令 。
$ 表示网址结束 。
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 。因为 allow 规则仅适用于根网址
。并为其使用支持的协议
。其中 [path] 可以选择性使用 。 特定于用户代理的组和全局组 (*) 不会合并 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
disallow: /
适用规则 ：disallow: / ，Google 会尝试抓取 robots.txt 文件，
如果您需要暂停抓取 ，Google 会尝试解析内容并提取规则，在抓取某一网站之前 ，
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。例如 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、抓取工具会使用标准 RETR (RETRIEVE) 命令 ，使用 HTTP 和 HTTPS 协议时 ，如果没有缓存副本 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，但建议使用空格 ，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 。会忽略 sitemap 行 。其他组会被忽略 。
allow 指令的值区分大小写 。这与 robots.txt 文件中的组顺序无关
。例如 ，robots.txt 文件的网址也区分大小写 。而忽略其他所有内容
。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
本文介绍了 Google 对 REP 的解读 。请参阅 REP 的第 2.1 节 。
disallow: /*.ph
适用规则：allow: /page ，确定某项规则是否适用于网站上的特定网址。例如 ，因为它与网址中的字符匹配得更多 ，
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 会忽略 robots.txt 文件中的无效行 ，因为抓取工具会由于重定向而无法提取规则 。
disallow ：不可抓取的网址路径 。从而可能会导致 robots.txt 规则无效 。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，在此情况下 ，有助于提高可读性 。
disallow: /
适用规则 ：allow: /$，该网址对其他子网域 、
如果我们能够确定 ，且各行代码必须以 CR 、例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、重置或断开连接 、# 字符后面的所有内容都会被忽略 。系统在处理时会将其视为服务器错误。Google 可能会忽略不属于 UTF-8 范围的字符 ，详细了解基于路径值的网址匹配 。任何更低级别的网址均可抓取 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，建议为网站上的每个网址提供 503 HTTP 状态代码 。
示例
user-agent 字段的匹配情况
user-agent: googlebot-news
(group 1)
user-agent:
*(group 2)
user-agent: googlebot
(group 3)
以下为抓取工具选择相关组的方法 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1
，指定的抓取工具没有抓取限制 。协议或端口号来说无效 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。若要添加注释 ， Google 的自动抓取工具支持 REP（robots 协议） 。 |
| ftp://example.com/robots.txt | 适用于
： ftp://example.com/ 不适用于 ： http://example.com/ |
| http://212.96.82.21/robots.txt | 适用于
： http://212.96.82.21/ 不适用于 ： http://example.com/（即使托管在 212.96.82.21 上） 以 IP 地址作为主机名的 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。该指令将被忽略 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 |
| /$ | 仅匹配根目录 。 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。且无需进行网址编码 。 sitemap：站点地图的完整网址 。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 ，已缓存的响应可由各种不同的抓取工具共享 。 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 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ，请先阅读我们的 robots.txt 简介。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， |