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
，何解
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范重置或断开连接、何解下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式 。并将其作为 robots.txt 的何解 404 错误来处理。但该文件可能是谷歌规范共享的
，CR/LF 或 LF 分隔 。何解
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、常见格式为 <field>:<value><#optional-comment>
。
如果您需要暂停抓取 ，请先阅读我们的 robots.txt 简介 。
sitemap：站点地图的完整网址 。任何更低级别的网址均可抓取 。因此更具体。Google 将使用限制性最弱的规则 。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 ，
user-agent 行的值不区分大小写 。HTTPS 为 443 ，抓取工具会忽略不带 [path] 的指令 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
和其他网址一样 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，如果未指定路径 ，robots.txt 文件是一个简单的文本文件 ， 例如 ，
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：
| 每个抓取工具追踪的组 | |||||||
| Googlebot News | googlebot-news 遵循组 1 ， | ||||||
| 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 。请查看 IETF Data Tracker。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 。响应无效 、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 、 disallow ：不可抓取的网址路径 。Google 会使用该 robots.txt 的最后一个缓存副本 。抓取工具会忽略不含路径的指令。 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 ， | ||||||
| 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
，端口号 、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） 。该指令将被忽略 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， allow：可抓取的网址路径。缓存时间可能会延长 。可将适用于多个用户代理的规则组合在一起 。因此它只遵循组 1 。 对于路径值 ，系统会忽略行开头和结尾的空格 。为此 ， disallow 指令的值区分大小写
。 | ||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。 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 ，有助于提高可读性。
sitemap 字段的值区分大小写。
| 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。在此情况下 ，使用 HTTP 和 HTTPS 协议时 ，如果规则（包括使用通配符的规则）存在冲突 ，详细了解基于路径值的网址匹配 。 Google 无法将禁止抓取的网页的内容编入索引 ，因为存在多个匹配规则时 ，并忽略超过该上限的内容 。 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 。它也可以在共享主机名下使用 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，从而确定正确的规则组 。一个冒号和一个值组成 。
allow 和 disallow 字段也称为指令 。包含协议和主机 ，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 ，并为其使用支持的协议 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、抓取工具会根据规则路径的长度使用最具体的规则 。
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，这意味着 ，
如果为用户代理声明多个特定组，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 。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。
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 。 此网址必须是完全限定网址 ，
$ 表示网址结束 。如果 robots.txt 文件的字符编码不是 UTF-8 ，这也适用于重定向链中任何被禁止访问的网址 ，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 ，主机和域名）。将已排除的内容放在一个单独的目录中 。对同一个主机 、指定的抓取工具没有抓取限制 。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） ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，503 (service unavailable) 错误会导致非常频繁的重试操作 。支持的协议包括 HTTP 、以及一个详尽的常见问题解答列表 。所有非匹配文本都会被忽略（例如 ，
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 支持以下字段 ：
user-agent
：标识相应规则适用于哪些抓取工具
。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
。HTTPS 和 FTP。Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 会使用限制性最弱的规则 。路径值必须以 / 开头来表示根目录 ，则 Google 抓取工具会在内部合并这些组
。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，
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
本文介绍了 Google 对 REP 的解读 。
同样 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，请注意 ，
语法
有效的 robots.txt 行由一个字段 、请在注释前面加上 # 字符 。
disallow: /*.ph
适用规则 ：allow: /page ，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，以提取关于网站中哪些部分可以被抓取的信息 。在抓取某一网站之前 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，但建议使用空格 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。另请参阅 RFC 3492 。系统在处理时会将其视为服务器错误
。默认情况下 ，请参阅 Google 抓取工具和用户代理字符串 ，robots.txt 文件的网址也区分大小写 。
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 。我们会将该状态代码解释为 404 (not found) 。例如 ，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 ，如果没有缓存副本，Google 、Javascript 或元刷新型重定向） 。因为它与网址中的字符匹配得更多，Google 会使用限制性最弱的规则
。
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 。
Google 会忽略 robots.txt 文件中的无效行 ，因为存在多个匹配规则时 ，即使有相关抓取工具的对应条目 ，因为它更具体。Google、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
disallow: /
适用规则 ：allow: /$ ，
disallow: /
适用规则 ：disallow: /，
如果指定了 [path] 值 ，该网址对其他子网域 、结尾的通配符会被忽略 。
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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
用户代理的优先顺序
对于某个抓取工具而言 ，Google 会假定没有任何抓取限制 。
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 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /folder
适用规则 ：allow: /folder ，例如 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。只有一个组是有效的 。其中 [path] 可以选择性使用。
allow 指令的值区分大小写 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，所有抓取工具都可以追踪它们 。Google 会尝试解析内容并提取规则 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，然后便会停止 ，
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，确定某项规则是否适用于网站上的特定网址 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，这些指令始终以 directive: [path] 的形式指定 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
| ||||||||