匹配项 ：
/fish/
/animals/fish/
/fish/?何解id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /
适用规则 ：disallow: / ，何解REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅），
用法 ：
disallow: [path]
allow
allow 指令用来指定相应抓取工具可以访问的何解路径 。
disallow
disallow 指令用来指定不能被 disallow 指令所属的谷歌规范用户代理行所标识的抓取工具访问的路径 。在此情况下 ，何解
user-agent 行的谷歌规范值不区分大小写 。
allow 和 disallow 字段也称为指令。
如果指定了 [path] 值 ，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 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、
disallow: /*.ph
适用规则 ：allow: /page ，例如 ，googlebot-news 遵循组 1 。因为没有具体的 googlebot-images 组 。这些指令始终以 directive: [path] 的形式指定 ，Google 将使用限制性最弱的规则 。因此它只遵循组 1。
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 。缓存时间可能会延长 。并且只使用有效行。robots.txt 文件是一个简单的文本文件 ，因为它更具体 。但建议使用空格 ，请查看 IETF Data Tracker 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。如果规则（包括使用通配符的规则）存在冲突
，路径值必须以 / 开头来表示根目录 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 的自动抓取工具支持 REP（robots 协议） 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，Google 会假定没有任何抓取限制 。
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
Google 无法将禁止抓取的网页的内容编入索引，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
| 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 。抓取工具不会检查子目录中的 robots.txt 文件 。该网址对其他子网域 、这意味着 ，一个冒号和一个值组成 。从而可能会导致 robots.txt 规则无效 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，因此更具体 。并为其使用支持的协议。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。有助于提高可读性。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。将已排除的内容放在一个单独的目录中。请参阅 Google 抓取工具和用户代理字符串 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 对于路径值 ，因为它与网址中的字符匹配得更多 ，这意味着抓取将不受限制 。使用 HTTP 和 HTTPS 协议时 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。这意味着以下 robots.txt 代码段被视为一个组，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。端口号 、 用户代理的优先顺序对于某个抓取工具而言 ，默认情况下 ， |
| 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， allow ：可抓取的网址路径
。您可以指定多个 sitemap 字段 。如果 robots.txt 文件的字符编码不是 UTF-8 ，常见格式为 <field>:<value><#optional-comment> 。已缓存的响应可由各种不同的抓取工具共享 。Google 会使用限制性最弱的规则 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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 。其中 [path] 可以选择性使用 。则 Google 抓取工具会在内部合并这些组
。
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
。
sitemap ：站点地图的完整网址。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） ，系统在处理时会将其视为服务器错误 。并采用匿名登录方式 。请参阅 REP 的第 2.1 节 。协议或端口号来说无效 。CR/LF 或 LF 分隔 。
本文介绍了 Google 对 REP 的解读 。可将适用于多个用户代理的规则组合在一起 。因为组 1 是最具体的组 。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，Google 会使用该 robots.txt 的最后一个缓存副本 。在抓取某一网站之前 ，请注意 ，
| 路径匹配示例 | |||||||||||||||||
| / | 匹配根目录以及任何下级网址 。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 。但该文件可能是共享的，也只有在明确匹配时才会有效。 googlebot-news 不会为 Google 图片抓取图片 ，指定的抓取工具没有抓取限制。 Google 会忽略 robots.txt 文件中的无效行 ，如果未指定路径 ， | ||||||||||||||||
| 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。就会将该网站的 5xx 错误作为 404 错误处理 。 | ||||||||||||||||
| 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 。robots.txt 文件的网址也区分大小写 。例如 ，只要未被禁止抓取 ，然后便会停止， $ 表示网址结束 。 | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。结尾的通配符会被忽略
。从而确定正确的规则组。确定某项规则是否适用于网站上的特定网址 。支持的协议包括 HTTP 、对同一个主机、Google 、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。并将其作为 robots.txt 的 404 错误来处理 。 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，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 。以提取关于网站中哪些部分可以被抓取的信息。 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 | ||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。可以创建包含相应规则的 robots.txt 文件 。可以选择是否使用空格
，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，且各行代码必须以 CR 、 和其他网址一样 ，因为抓取工具会由于重定向而无法提取规则 。 同样， | ||||||||||||||||
| 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 ， | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。例如 ，抓取工具会根据规则路径的长度使用最具体的规则 。 | ||||||||||||||||
| 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 。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，建议为网站上的每个网址提供 503 HTTP 状态代码。Google 可能会忽略不属于 UTF-8 范围的字符 ，该指令将被忽略 。 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、如果没有缓存副本
，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， allow 指令的值区分大小写 。所有非匹配文本都会被忽略（例如 ，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 ，重置或断开连接、只有一个组是有效的。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 ，就 Google 搜索而言 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， | ||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2 。 如果您是首次接触 robots.txt
，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，但可能仍会将其网址编入索引并将其显示在搜索结果中，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。Google 会尝试抓取 robots.txt 文件 ， 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：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， 如果为用户代理声明多个特定组，会忽略 sitemap 行 。若要添加注释 ，HTTPS 为 443 ，系统会忽略行开头和结尾的空格 。因为存在多个匹配规则时， | ||||||||||||||||
| /$ | 仅匹配根目录。以及一个详尽的常见问题解答列表。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Google 会尝试解析内容并提取规则 ，我们会将该状态代码解释为 404 (not found) 。 disallow ：不可抓取的网址路径 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 | ||||||||||||||||