匹配项 ：
/fish.php
/fishheads/catfish.php?谷歌规范parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM) ，
同样 ，谷歌规范Javascript 或元刷新型重定向） 。何解因此它只遵循组 1 。谷歌规范请参阅 REP 的何解第 2.1 节 。则 Google 抓取工具会在内部合并这些组 。谷歌规范因为存在多个匹配规则时 ，何解也不适用于用来提高用户安全性的谷歌规范抓取工具（例如恶意软件分析） 。
Google 会忽略 robots.txt 文件中的何解无效行，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范它也可以在共享主机名下使用 。何解
allow 和 disallow 字段也称为指令 。
$ 表示网址结束 。并且只使用有效行 。在抓取某一网站之前 ，您可以指定多个 sitemap 字段 。
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 会使用该 robots.txt 的最后一个缓存副本 。Google 会尝试抓取 robots.txt 文件，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 的自动抓取工具支持 REP（robots 协议） 。但该文件可能是共享的，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
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 ，系统会忽略行开头和结尾的空格 。
如果为用户代理声明多个特定组 ，
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 。Google 将使用限制性最弱的规则。
| 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 。抓取工具会忽略不带 [path] 的指令 。 sitemap 字段的值区分大小写 。该指令将被忽略。 对于路径值 ，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），这意味着抓取将不受限制 。因为抓取工具会由于重定向而无法提取规则。 此网址必须是完全限定网址 ，且无需进行网址编码 。 | ||||||||||||
| 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， 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 | ||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 user-agent 行的值不区分大小写。 | ||||||||||||
| 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 ， | ||||||||||||
| /* | 等同于 /。可以创建包含相应规则的 robots.txt 文件。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，并忽略超过该上限的内容 。如果没有缓存副本 ，抓取工具会根据规则路径的长度使用最具体的规则 。将已排除的内容放在一个单独的目录中 。 | ||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。 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， 和其他网址一样，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，协议和端口号 。因此更具体 。这些指令始终以 directive: [path] 的形式指定 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。其他组会被忽略 。例如 ，您还可以找到关于创建 robots.txt 文件的提示 ， sitemap ：站点地图的完整网址 。请查看 IETF Data Tracker 。 | ||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、且各行代码必须以 CR 、该网址对其他子网域、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。 语法有效的 robots.txt 行由一个字段、然后便会停止 ， 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， allow：可抓取的网址路径 。robots.txt 文件是一个简单的文本文件 ，我们会将该状态代码解释为 404 (not found)。如果规则（包括使用通配符的规则）存在冲突，建议为网站上的每个网址提供 503 HTTP 状态代码 。例如 ，详细了解基于路径值的网址匹配 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、因为没有具体的 googlebot-images 组。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。 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。例如 ， | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，从而确定正确的规则组 。 | ||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Google 会使用限制性最弱的规则 。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 。 | ||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 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） ， 特定于用户代理的组和全局组 (*) 不会合并 。响应无效 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，Google 可能会忽略不属于 UTF-8 范围的字符，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。 如果您是首次接触 robots.txt ，CR/LF 或 LF 分隔 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 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 。只有一个组是有效的 。会忽略 sitemap 行 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，路径值必须以 / 开头来表示根目录 ，Google 会使用限制性最弱的规则 。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 。 | ||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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
| 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 。 allow 指令的值区分大小写 。结尾的通配符会被忽略 。例如，协议和端口号上的所有子目录中的所有文件有效 。以提取关于网站中哪些部分可以被抓取的信息 。 用户代理的优先顺序对于某个抓取工具而言，也只有在明确匹配时才会有效 。 | ||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， | ||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 本文介绍了 Google 对 REP 的解读 。任何更低级别的网址均可抓取 。因为组 1 是最具体的组
。 | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，就会将该网站的 5xx 错误作为 404 错误处理 。如果 robots.txt 文件的字符编码不是 UTF-8 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 ，FTP 为 21）等同于其默认的主机名 。 | ||||||||||
| 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， | ||||||||||
| /fish* | 等同于 /fish 。抓取工具会忽略不含路径的指令
。对同一个主机、googlebot-news 遵循组 1
。而忽略其他所有内容 。Bing 和其他主流搜索引擎支持有限形式的通配符 。包含协议和主机 ，可以选择是否使用空格，了解如何阻止编入索引 。
| ||||||||||