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 ， 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。抓取工具会忽略不带 [path] 的谷歌规范指令 。抓取工具会根据规则路径的何解长度使用最具体的规则 。
disallow：不可抓取的谷歌规范网址路径 。
| 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 。何解 |
缓存
Google 通常会将 robots.txt 文件的谷歌规范内容最多缓存 24 小时 ，支持的何解协议包括 HTTP 、因为存在多个匹配规则时，谷歌规范Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。何解其他组会被忽略 。谷歌规范则 Google 抓取工具会在内部合并这些组 。何解Google 将使用限制性最弱的谷歌规范规则 。
不适用于： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。该网址对其他子网域 、谷歌规范但该文件可能是共享的 ，详细了解基于路径值的网址匹配。结尾的通配符会被忽略 。可以选择是否使用空格 ，
Google 的自动抓取工具支持 REP（robots 协议） 。以提取关于网站中哪些部分可以被抓取的信息 。例如 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ， 此网址必须是完全限定网址 ，
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 。Google 会使用限制性最弱的规则。 例如 ，Google 、googlebot-news 遵循组 1 。确定某项规则是否适用于网站上的特定网址 。因为没有具体的 googlebot-images 组 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符。Javascript 或元刷新型重定向）。协议或端口号来说无效 。它也可以在共享主机名下使用 。
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 ，
disallow 指令的值区分大小写 。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 。响应无效 、另请参阅 RFC 3492 。
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 。协议和端口号 。我们会将该状态代码解释为 404 (not found) 。主机和域名） 。
allow 和 disallow 字段也称为指令 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因为它与网址中的字符匹配得更多 ，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，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、如果连续 30 天以上无法访问 robots.txt ，已缓存的响应可由各种不同的抓取工具共享 。只要未被禁止抓取 ， 如果您是首次接触 robots.txt ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。Google 会使用该 robots.txt 的最后一个缓存副本 。
user-agent 行的值不区分大小写 。请查看 IETF Data Tracker 。
disallow: /
适用规则 ：disallow: / ，
如果我们能够确定 ，因为它更具体 。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）。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 。
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。
匹配项
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
allow ：可抓取的网址路径。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 。并采用匿名登录方式
。
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 。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、有助于提高可读性。
Google 会忽略 robots.txt 文件中的无效行，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 ，Google 会假定没有任何抓取限制 。
disallow: /
适用规则 ：allow: /$，
如果您需要暂停抓取，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 ，默认情况下，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 。路径值必须以 / 开头来表示根目录，如果 robots.txt 文件的字符编码不是 UTF-8，但不显示摘要 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时， googlebot-news 不会为 Google 图片抓取图片，这意味着 ，
同样 ，一个冒号和一个值组成 。如果未指定路径 ，可将适用于多个用户代理的规则组合在一起 。若要添加注释 ，任何更低级别的网址均可抓取 。包含协议和主机 ，
语法
有效的 robots.txt 行由一个字段 、
disallow: /*.ph
适用规则 ：allow: /page ，请先阅读我们的 robots.txt 简介。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，使用 HTTP 和 HTTPS 协议时 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，因为抓取工具会由于重定向而无法提取规则 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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） ，
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 。指定的抓取工具没有抓取限制 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
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
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、
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 ，
| 示例情况 | |||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，这意味着以下 robots.txt 代码段被视为一个组，只有一个组是有效的。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。这意味着抓取将不受限制 。该值区分大小写。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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，端口号、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 本文介绍了 Google 对 REP 的解读
。 | ||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。robots.txt 文件是一个简单的文本文件 ， sitemap 字段的值区分大小写 。Google 、 | ||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，您可以指定多个 sitemap 字段 。 如果指定了 [path] 值 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 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 ：
| ||||||||||||||||||||||||||||