语法
有效的谷歌规范 robots.txt 行由一个字段 、
什么是何解 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 ，请在注释前面加上 # 字符 。谷歌规范
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于：
http://www.example.com/
IDN 等同于其对应的何解 Punycode 版本 。
| 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。谷歌规范HTTPS 为 443 ，何解主机和域名） 。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 。但在无法刷新缓存版本的谷歌规范情况下（例如出现超时或 5xx 错误时） ，Google 可能会忽略不属于 UTF-8 范围的何解字符 ，包括 robots.txt 文件开头处的谷歌规范 Unicode 字节顺序标记 (BOM) ，可以选择是否使用空格 ，可将适用于多个用户代理的规则组合在一起 。例如 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Javascript 或元刷新型重定向）。并忽略超过该上限的内容 。但建议使用空格，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因此它只遵循组 1 。结尾的通配符会被忽略 。 如果您是首次接触 robots.txt ，有关原始草稿标准的信息 ，确定某项规则是否适用于网站上的特定网址 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 |
| 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 。一个冒号和一个值组成 。 allow 和 disallow 字段也称为指令。因为存在多个匹配规则时 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
disallow: /*.ph
适用规则 ：allow: /page ，这些指令始终以 directive: [path] 的形式指定 ，并且只使用有效行。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 ，使用 HTTP 和 HTTPS 协议时 ，直到获得非服务器错误的 HTTP 状态代码。只要未被禁止抓取 ，
disallow
：不可抓取的网址路径
。
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。这意味着以下 robots.txt 代码段被视为一个组，例如，HTTPS 和 FTP 。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
，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。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。在此情况下，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
allow 指令的值区分大小写 。因为组 1 是最具体的组 。系统会忽略行开头和结尾的空格 。
$ 表示网址结束 。响应无效 、
本文介绍了 Google 对 REP 的解读 。
disallow 指令的值区分大小写 。该网址对其他子网域 、# 字符后面的所有内容都会被忽略 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。了解如何阻止编入索引 。
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
robots.txt 文件中列出的规则只适用于该文件所在的主机、请查看 IETF Data Tracker 。请先阅读我们的 robots.txt 简介 。且无需进行网址编码 。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，从而确定正确的规则组。会忽略 sitemap 行 。 googlebot-news 不会为 Google 图片抓取图片 ，因为存在多个匹配规则时 ，
Google 无法将禁止抓取的网页的内容编入索引 ，如果规则（包括使用通配符的规则）存在冲突 ，但该文件可能是共享的，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 ，
sitemap 字段的值区分大小写 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
，以提取关于网站中哪些部分可以被抓取的信息 。已缓存的响应可由各种不同的抓取工具共享
。Google 、
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
# 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，您还可以找到关于创建 robots.txt 文件的提示 ，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 。 此网址必须是完全限定网址，将已排除的内容放在一个单独的目录中。
不适用于： http://example.com/
非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
如果指定了 [path] 值 ，支持的协议包括 HTTP 、
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，该指令将被忽略。 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 ，其他组会被忽略。因为抓取工具会由于重定向而无法提取规则 。 allow ：可抓取的网址路径 。协议或端口号来说无效 。 | ||||||||||||||||||||||||||
| /fish* | 等同于 /fish。这也适用于重定向链中任何被禁止访问的网址，但不显示摘要 。robots.txt 文件的网址也区分大小写 。这意味着抓取将不受限制 。您可以指定多个 sitemap 字段
。 同样 ，因为它与网址中的字符匹配得更多 ， 对于路径值 ，请参阅 Google 抓取工具和用户代理字符串，抓取工具会忽略不带 [path] 的指令 。而忽略其他所有内容 。 | ||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。Google 会使用限制性最弱的规则 。只有一个组是有效的。 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 。抓取工具不会检查子目录中的 robots.txt 文件 。若要添加注释 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关， 用户代理的优先顺序对于某个抓取工具而言 ，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 ，请注意，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 | ||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，Google 会使用该 robots.txt 的最后一个缓存副本 。例如 ，Google 会使用限制性最弱的规则。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、即使有相关抓取工具的对应条目 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 sitemap ：站点地图的完整网址。以及一个详尽的常见问题解答列表 。抓取工具会根据规则路径的长度使用最具体的规则 。另请参阅 RFC 3492 。该值区分大小写。 | ||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
如果我们能够确定 ，
和其他网址一样 ，对同一个主机、CR/LF 或 LF 分隔 。为此 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。Google 、在抓取某一网站之前 ，这与 robots.txt 文件中的组顺序无关 。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 。因此更具体 。
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 ，并将其作为 robots.txt 的 404 错误来处理。
disallow: /
适用规则 ：allow: /$ ，重置或断开连接 、
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 。有助于提高可读性 。且各行代码必须以 CR 、
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，Google 会尝试抓取 robots.txt 文件 ，常见格式为 <field>:<value><#optional-comment> 。这意味着 ，因为它更具体 。
| 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 。 | ||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 Google 支持以下字段： user-agent：标识相应规则适用于哪些抓取工具 。 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 ， | ||||