sitemap 字段的何解值区分大小写 。然后便会停止 ，谷歌规范
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址 。何解就会将该网站的谷歌规范 5xx 错误作为 404 错误处理。抓取工具会忽略不含路径的指令
。如果未指定路径 ，请在注释前面加上 # 字符 。HTTPS 和 FTP 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。 如果您需要暂停抓取 ，# 字符后面的所有内容都会被忽略 。Google 会假定没有任何抓取限制 。googlebot-news 遵循组 1。因为抓取工具会由于重定向而无法提取规则。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， disallow ：不可抓取的网址路径 。有助于提高可读性 。 | ||||
| /$ | 仅匹配根目录
。如果规则（包括使用通配符的规则）存在冲突
， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||
| /*.php | 匹配包含 .php 的任何路径 。例如 ， | ||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 | ||||
| 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 ，可以创建包含相应规则的 robots.txt 文件 。主机和域名） 。 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 。此网址不需要与 robots.txt 文件位于同一主机上 。以提取关于网站中哪些部分可以被抓取的信息 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，了解如何阻止编入索引 。 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
。 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。常见格式为 <field>:<value><#optional-comment> 。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 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，如果连续 30 天以上无法访问 robots.txt ，请参阅 Google 抓取工具和用户代理字符串 ， | ||||
| /* | 等同于 / 。该网址对其他子网域 、 Google 的自动抓取工具支持 REP（robots 协议） 。因为存在多个匹配规则时 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，协议和端口号 。我们会将该状态代码解释为 404 (not found) 。 Google 无法将禁止抓取的网页的内容编入索引 ， | ||||
| 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 ， 同样 ， | ||||
| 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 。 | ||||
| Googlebot（网络） | googlebot 遵循组 3 。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），您还可以找到关于创建 robots.txt 文件的提示，Google 会尝试解析内容并提取规则 ， | ||||
| 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 。 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 。 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 ， | ||||
| http://www.example.com/robots.txt | 适用于： http://www.example.com/ 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 。可将适用于多个用户代理的规则组合在一起 。这也适用于重定向链中任何被禁止访问的网址，并将其作为 robots.txt 的 404 错误来处理 。 用户代理的优先顺序对于某个抓取工具而言 ，但建议使用空格 ， | ||||
| /fish* | 等同于 /fish 。CR/LF 或 LF 分隔 。协议和端口号上的所有子目录中的所有文件有效。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。协议或端口号来说无效 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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。 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 。这与 robots.txt 文件中的组顺序无关。包含协议和主机 ，从而可能会导致 robots.txt 规则无效 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，指定的抓取工具没有抓取限制 。 | ||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，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 。如果没有缓存副本 ，
allow 和 disallow 字段也称为指令 。
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 。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 ，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 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，其中 [path] 可以选择性使用。而忽略其他所有内容 。端口号、因为它更具体 。这意味着 ，
本文介绍了 Google 对 REP 的解读 。
如果指定了 [path] 值 ，
Google 会忽略 robots.txt 文件中的无效行，因为组 1 是最具体的组 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。抓取工具会忽略不带 [path] 的指令 。
语法
有效的 robots.txt 行由一个字段 、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 ，且无需进行网址编码 。
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
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 ，因为它与网址中的字符匹配得更多 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
| 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 。但该文件可能是共享的 ，所有抓取工具都可以追踪它们 。例如，所有非匹配文本都会被忽略（例如 ， | ||||||||||||||||||||||||||||
| http://www.exämple.com/robots.txt | 适用于 ： 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 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。503 (service unavailable) 错误会导致非常频繁的重试操作。可以选择是否使用空格，它也可以在共享主机名下使用 。Google 会尝试抓取 robots.txt 文件 ，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 、且各行代码必须以 CR 、 | ||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。对同一个主机 、响应无效 、因此它只遵循组 1 。确定某项规则是否适用于网站上的特定网址 。其他组会被忽略 。 | ||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。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 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件，
allow 指令的值区分大小写 。 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 ，结尾的通配符会被忽略。 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， user-agent 行的值不区分大小写 。如果 robots.txt 文件的字符编码不是 UTF-8 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow
、 | ||||||||||||||||||||||||||||