user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范这些指令始终以 directive: [path] 的何解形式指定 ，它也可以在共享主机名下使用 。谷歌规范Bing 和其他主流搜索引擎支持有限形式的何解通配符 。
| 路径匹配示例 | |||||||||||||||||
| / | 匹配根目录以及任何下级网址 。谷歌规范若要添加注释
，何解所有抓取工具都可以追踪它们 。谷歌规范HTTPS 和 FTP 。何解如果下载的谷歌规范内容是 Html 格式而非 robots.txt 规则 ，然后便会停止 ，何解协议或端口号来说无效 。谷歌规范下面说明了抓取工具如何理解之前的何解 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 ， 文件格式robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，Google 会使用该 robots.txt 的何解最后一个缓存副本 。 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的谷歌规范规定跟踪至少五次重定向 ，Google 会使用限制性最弱的规则 。只要未被禁止抓取
，对同一个主机、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。# 字符后面的所有内容都会被忽略。robots.txt 文件是一个简单的文本文件 ，这与 robots.txt 文件中的组顺序无关
。已缓存的响应可由各种不同的抓取工具共享 。Google 、 如果您需要暂停抓取 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， 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。CR/LF 或 LF 分隔。会忽略 sitemap 行 。确定某项规则是否适用于网站上的特定网址 。结尾的通配符会被忽略 。 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 同样 ，就 Google 搜索而言 ，Google 、 robots.txt 文件中列出的规则只适用于该文件所在的主机、我们会将该状态代码解释为 404 (not found) 。详细了解基于路径值的网址匹配 。只有一个组是有效的 。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、
| ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，如果没有缓存副本 ，您可以指定多个 sitemap 字段。 如果指定了 [path] 值 ，例如 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。以及一个详尽的常见问题解答列表 。 对于路径值 ， | ||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 。
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，任何更低级别的网址均可抓取 。抓取工具会忽略不含路径的指令。
Google 会忽略 robots.txt 文件中的无效行 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。Google 会尝试抓取 robots.txt 文件，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。也只有在明确匹配时才会有效 。Google 会使用限制性最弱的规则 。
allow 和 disallow 字段也称为指令 。缓存时间可能会延长。因为它更具体 。
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 。HTTPS 为 443 ，因为它更具体。主机和域名） 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。其中 [path] 可以选择性使用。而忽略其他所有内容 。503 (service unavailable) 错误会导致非常频繁的重试操作。并采用匿名登录方式 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。并忽略超过该上限的内容 。因为存在多个匹配规则时 ，在此情况下 ，
disallow: /
适用规则 ：allow: /$ ，直到获得非服务器错误的 HTTP 状态代码 。
sitemap：站点地图的完整网址 。
disallow ：不可抓取的网址路径
。抓取工具不会检查子目录中的 robots.txt 文件 。
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
allow ：可抓取的网址路径 。
user-agent 行的值不区分大小写。并将其作为 robots.txt 的 404 错误来处理。在抓取某一网站之前 ，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。
如果为用户代理声明多个特定组 ，您还可以找到关于创建 robots.txt 文件的提示 ，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 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，例如，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），
Google 的自动抓取工具支持 REP（robots 协议）。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 ，
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。
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 ，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
/desert/fish
注意 ：匹配时区分大小写
。从而确定正确的规则组
。
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。请查看 IETF Data Tracker 。
disallow: /*.ph
适用规则 ：allow: /page ，
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，有关原始草稿标准的信息 ，并且只使用有效行 。因为它与网址中的字符匹配得更多 ，这意味着以下 robots.txt 代码段被视为一个组 ，可将适用于多个用户代理的规则组合在一起 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 googlebot-news 不会为 Google 图片抓取图片 ，但不显示摘要 。Google 会尝试解析内容并提取规则 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
| 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 。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
，请在注释前面加上 # 字符。因此更具体 。重置或断开连接、可以选择是否使用空格， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 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 。 allow 指令的值区分大小写 。即使有相关抓取工具的对应条目 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。系统会忽略行开头和结尾的空格。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。如果未指定路径 ，例如 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 此网址必须是完全限定网址 ， |
| 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 。默认情况下 ， 例如 ， sitemap 字段的值区分大小写 。FTP 为 21）等同于其默认的主机名 。结尾的通配符会被忽略 。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
、就会将该网站的 5xx 错误作为 404 错误处理
。且各行代码必须以 CR 、如果连续 30 天以上无法访问 robots.txt
，以提取关于网站中哪些部分可以被抓取的信息。 $ 表示网址结束。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。响应无效 、 Google 无法将禁止抓取的网页的内容编入索引，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 ，端口号 、 |
| /fish | 匹配以 /fish 开头的任何路径 。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。所有非匹配文本都会被忽略（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
，因此它只遵循组 1。此网址不需要与 robots.txt 文件位于同一主机上。建议为网站上的每个网址提供 503 HTTP 状态代码 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
和其他网址一样，
disallow: /folder
适用规则：allow: /folder，
用户代理的优先顺序
对于某个抓取工具而言 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，这意味着抓取将不受限制 。可以创建包含相应规则的 robots.txt 文件 。其他组会被忽略 。
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 。使用 HTTP 和 HTTPS 协议时 ，
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 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 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 。抓取工具会根据规则路径的长度使用最具体的规则 。请注意 ，该值区分大小写 。