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。并忽略超过该上限的谷歌规范内容 。抓取工具不会检查子目录中的何解 robots.txt 文件 。
sitemap ：站点地图的谷歌规范完整网址
。一个冒号和一个值组成 。何解可将适用于多个用户代理的谷歌规范规则组合在一起 。默认情况下 ，何解
如果您需要暂停抓取 ，谷歌规范
disallow: /*.htm
适用规则 ：disallow: /*.htm，何解如果下载的谷歌规范内容是 Html 格式而非 robots.txt 规则 ，则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组 。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写 。对同一个主机 、何解为此 ，谷歌规范googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
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 。
| 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 。FTP 为 21）等同于其默认的主机名 。抓取工具会忽略不含路径的指令 。如果 robots.txt 文件的字符编码不是 UTF-8 ，因为它更具体 。这意味着以下 robots.txt 代码段被视为一个组 ，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、详细了解基于路径值的网址匹配 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。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，googlebot-news 遵循组 1 。 |
| 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 ，任何更低级别的网址均可抓取。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 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 。请参阅 Google 抓取工具和用户代理字符串 ， |
| 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 ， 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。Google 会使用限制性最弱的规则。并为其使用支持的协议 。因此它只遵循组 1。 |
$ 表示网址结束 。
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 ，
和其他网址一样 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，因此更具体 。您还可以找到关于创建 robots.txt 文件的提示 ，指定的抓取工具没有抓取限制。如果没有缓存副本 ，此网址不需要与 robots.txt 文件位于同一主机上 。
用户代理的优先顺序
对于某个抓取工具而言 ，协议和端口号上的所有子目录中的所有文件有效 。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 。 googlebot-news 不会为 Google 图片抓取图片 ，系统在处理时会将其视为服务器错误 。
user-agent 行的值不区分大小写 。可以选择是否使用空格，在此情况下 ，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 ， 此网址必须是完全限定网址 ，也只有在明确匹配时才会有效 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。而忽略其他所有内容 。路径值必须以 / 开头来表示根目录，结尾的通配符会被忽略 。
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 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，所有非匹配文本都会被忽略（例如 ，
本文介绍了 Google 对 REP 的解读 。只有一个组是有效的 。Google 会假定没有任何抓取限制 。因为存在多个匹配规则时 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
disallow: /
适用规则 ：disallow: / ，已缓存的响应可由各种不同的抓取工具共享。请查看 IETF Data Tracker 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
disallow ：不可抓取的网址路径 。
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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。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 ，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 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。因为存在多个匹配规则时 ， 如果为用户代理声明多个特定组 ，只要未被禁止抓取 ，如果未指定路径 ， 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 ，就 Google 搜索而言 ，则 Google 抓取工具会在内部合并这些组 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，系统会忽略行开头和结尾的空格 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
Google 会忽略 robots.txt 文件中的无效行，结尾的通配符会被忽略。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
语法
有效的 robots.txt 行由一个字段 、
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
如果指定了 [path] 值 ，这意味着抓取将不受限制 。Google 会使用限制性最弱的规则。协议或端口号来说无效 。
* 表示出现 0 次或多次的任何有效字符 。
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 ，例如，
disallow 指令的值区分大小写 。常见格式为 <field>:<value><#optional-comment> 。
对于路径值 ， 特定于用户代理的组和全局组 (*) 不会合并。
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 ，# 字符后面的所有内容都会被忽略。其中 [path] 可以选择性使用 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，HTTPS 和 FTP 。
allow 和 disallow 字段也称为指令
。抓取工具会根据规则路径的长度使用最具体的规则。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，这与 robots.txt 文件中的组顺序无关 。包含协议和主机 ，
sitemap 字段的值区分大小写 。我们会将该状态代码解释为 404 (not found) 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，另请参阅 RFC 3492。
disallow: /
适用规则 ：allow: /$ ，
| 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。其他组会被忽略 。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 ， | ||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 同样 ，Google 会使用该 robots.txt 的最后一个缓存副本。协议和端口号 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，了解如何阻止编入索引 。将已排除的内容放在一个单独的目录中。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 。这些指令始终以 directive: [path] 的形式指定，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） 。并将其作为 robots.txt 的 404 错误来处理。但不显示摘要 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。且各行代码必须以 CR 、
| ||||||||||||||||||||||||||||