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 ，503 (service unavailable) 错误会导致非常频繁的何解重试操作。
什么是谷歌规范 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，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。何解Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。何解例如 ，谷歌规范常见格式为 <field>:<value><#optional-comment> 。何解 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范从而确定正确的何解规则组 。我们会将该状态代码解释为 404 (not found) 。谷歌规范因为存在多个匹配规则时 ，何解CR/LF 或 LF 分隔 。谷歌规范且各行代码必须以 CR 、何解Google 抓取工具会下载并解析该网站的谷歌规范 robots.txt 文件，
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 。包含协议和主机 ，会忽略 sitemap 行 。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 ，
Google 会忽略 robots.txt 文件中的无效行 ，
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
disallow: /folder
适用规则 ：allow: /folder ，其他组会被忽略 。
disallow: /
适用规则 ：allow: /$ ，详细了解基于路径值的网址匹配 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。因为它更具体 。Google 可能会忽略不属于 UTF-8 范围的字符 ，但建议使用空格，则 Google 抓取工具会在内部合并这些组。响应无效 、 特定于用户代理的组和全局组 (*) 不会合并 。就 Google 搜索而言 ，如果规则（包括使用通配符的规则）存在冲突 ，
Google 的自动抓取工具支持 REP（robots 协议） 。Google 会使用限制性最弱的规则。请参阅 Google 抓取工具和用户代理字符串，抓取工具会根据规则路径的长度使用最具体的规则 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，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://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，请参阅 REP 的第 2.1 节 。
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 ，
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
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。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 。也只有在明确匹配时才会有效。其中 [path] 可以选择性使用
。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），请查看 IETF Data Tracker。
sitemap ：站点地图的完整网址 。对同一个主机 、缓存时间可能会延长 。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） 。例如，路径值必须以 / 开头来表示根目录，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 ，并将其作为 robots.txt 的 404 错误来处理 。
本文介绍了 Google 对 REP 的解读。支持的协议包括 HTTP 、因此它只遵循组 1 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。但不显示摘要。就会将该网站的 5xx 错误作为 404 错误处理 。
disallow: /*.ph
适用规则 ：allow: /page ，并为其使用支持的协议 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），已缓存的响应可由各种不同的抓取工具共享。将已排除的内容放在一个单独的目录中 。抓取工具会忽略不含路径的指令 。
allow 指令的值区分大小写 。HTTPS 和 FTP 。该值区分大小写 。
Google 无法将禁止抓取的网页的内容编入索引 ，使用 HTTP 和 HTTPS 协议时 ，这意味着抓取将不受限制 。您可以指定多个 sitemap 字段 。
| 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 。因为组 1 是最具体的组。语法有效的 robots.txt 行由一个字段 、Google 会使用限制性最弱的规则 。HTTPS 为 443，有关原始草稿标准的信息， 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 ， 如果指定了 [path] 值，结尾的通配符会被忽略 。了解如何阻止编入索引。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。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 。 user-agent 行的值不区分大小写。这些通配符包括： * 表示出现 0 次或多次的任何有效字符。并且只使用有效行 。可以选择是否使用空格， | ||||
| /$ | 仅匹配根目录 。您还可以找到关于创建 robots.txt 文件的提示 ，这也适用于重定向链中任何被禁止访问的网址
，因为它更具体 。 如果我们能够确定， | ||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、协议和端口号 。Javascript 或元刷新型重定向）。但可能仍会将其网址编入索引并将其显示在搜索结果中，在此情况下 ，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 。若要添加注释， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。端口号 、 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，抓取工具不会检查子目录中的 robots.txt 文件 。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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。在抓取某一网站之前 ，协议或端口号来说无效 。如果连续 30 天以上无法访问 robots.txt ， | ||||
| 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， | ||||
| 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 。因为它与网址中的字符匹配得更多 ，抓取工具会忽略不带 [path] 的指令。结尾的通配符会被忽略 。robots.txt 文件是一个简单的文本文件 ， | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 如果您需要暂停抓取 ， 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 。抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，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 。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 、因为 allow 规则仅适用于根网址。 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 。因此更具体 。sitemap 字段不依赖于任何特定的用户代理，以提取关于网站中哪些部分可以被抓取的信息。只有一个组是有效的 。Google、如果 robots.txt 文件的字符编码不是 UTF-8 ，请注意 ， | ||||
| /fish* | 等同于 /fish。 同样 ，这意味着以下 robots.txt 代码段被视为一个组，然后便会停止 ，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 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。 | ||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 。并忽略超过该上限的内容。任何更低级别的网址均可抓取 。并采用匿名登录方式 。直到获得非服务器错误的 HTTP 状态代码 。 googlebot-news 不会为 Google 图片抓取图片，只要未被禁止抓取 ，例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
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。
| 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 。 | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。因为抓取工具会由于重定向而无法提取规则 。 sitemap 字段的值区分大小写 。# 字符后面的所有内容都会被忽略 。且无需进行网址编码。协议和端口号上的所有子目录中的所有文件有效 。所有抓取工具都可以追踪它们 。 | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，
| ||||||||||||||||||