user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、何解
disallow: /*.htm
适用规则 ：disallow: /*.htm ，谷歌规范就会将该网站的何解 5xx 错误作为 404 错误处理 。而忽略其他所有内容 。谷歌规范Google 会尝试抓取 robots.txt 文件 ，何解缓存时间可能会延长。谷歌规范这也适用于重定向链中任何被禁止访问的何解网址 ，因为存在多个匹配规则时 ，谷歌规范此网址不需要与 robots.txt 文件位于同一主机上 。何解支持的谷歌规范协议包括 HTTP 、Google 会尝试解析内容并提取规则 ，何解
disallow: /
适用规则 ：disallow: / ，谷歌规范Google 会使用限制性最弱的何解规则。我们会将该状态代码解释为 404 (not found) 。谷歌规范
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 。协议和端口号上的所有子目录中的所有文件有效 。这意味着抓取将不受限制 。有关原始草稿标准的信息 ，所有抓取工具都可以追踪它们。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，只有一个组是有效的 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 例如，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 。
disallow: /
适用规则 ：allow: /$ ，例如 ，这意味着以下 robots.txt 代码段被视为一个组 ，了解如何阻止编入索引 。可以创建包含相应规则的 robots.txt 文件。协议和端口号 。并为其使用支持的协议 。其他组会被忽略 。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，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 、抓取工具会忽略不含路径的指令。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 ，结尾的通配符会被忽略 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，结尾的通配符会被忽略 。
| 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
。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） ， 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 ，
user-agent 行的值不区分大小写 。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 。 googlebot-news 不会为 Google 图片抓取图片 ，只要未被禁止抓取 ，直到获得非服务器错误的 HTTP 状态代码 。
Google 的自动抓取工具支持 REP（robots 协议）。
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，抓取工具不会检查子目录中的 robots.txt 文件。将已排除的内容放在一个单独的目录中 。
如果我们能够确定
，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，例如 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，因为它更具体 。
如果指定了 [path] 值 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
| /fish | 匹配以 /fish 开头的任何路径 。 如果您需要暂停抓取 ，如果连续 30 天以上无法访问 robots.txt ，Google 将使用限制性最弱的规则 。以及一个详尽的常见问题解答列表 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，所有非匹配文本都会被忽略（例如 ，
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，
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 无法将禁止抓取的网页的内容编入索引 ，
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，
和其他网址一样 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。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 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。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）
。抓取工具会根据规则路径的长度使用最具体的规则 。从而可能会导致 robots.txt 规则无效。该值区分大小写 。Javascript 或元刷新型重定向） 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、googlebot-news 遵循组 1。协议或端口号来说无效 。
disallow ：不可抓取的网址路径 。
| 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 。端口号 、 | ||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，Google 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，且无需进行网址编码 。 如果为用户代理声明多个特定组 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。以提取关于网站中哪些部分可以被抓取的信息。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 。 allow：可抓取的网址路径 。因为 allow 规则仅适用于根网址。从而确定正确的规则组 。 | ||||||||||||||
| 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。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 。也只有在明确匹配时才会有效 。然后便会停止 ， allow 指令的值区分大小写 。 | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page， 用户代理的优先顺序对于某个抓取工具而言， 如果您是首次接触 robots.txt ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。 | ||||||||||||||
| 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。您还可以找到关于创建 robots.txt 文件的提示 ，但建议使用空格 ，可将适用于多个用户代理的规则组合在一起。系统在处理时会将其视为服务器错误 。您可以指定多个 sitemap 字段 。 $ 表示网址结束 。 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 、响应无效
、请在注释前面加上 # 字符 。会忽略 sitemap 行。已缓存的响应可由各种不同的抓取工具共享
。并忽略超过该上限的内容。请参阅 Google 抓取工具和用户代理字符串，Google 会使用该 robots.txt 的最后一个缓存副本。 本文介绍了 Google 对 REP 的解读 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、因为抓取工具会由于重定向而无法提取规则
。请参阅 REP 的第 2.1 节 。 Google 会忽略 robots.txt 文件中的无效行 ，它也可以在共享主机名下使用 。路径值必须以 / 开头来表示根目录 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。HTTPS 和 FTP 。并且只使用有效行 。重置或断开连接、 对于路径值 ，这意味着，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、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 会假定没有任何抓取限制 。即使有相关抓取工具的对应条目 ，其中 [path] 可以选择性使用。如果没有缓存副本 ，但该文件可能是共享的 ， | ||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。语法有效的 robots.txt 行由一个字段 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。因为组 1 是最具体的组 。如果规则（包括使用通配符的规则）存在冲突 ，则 Google 抓取工具会在内部合并这些组。Bing 和其他主流搜索引擎支持有限形式的通配符。主机和域名）。Google 会使用限制性最弱的规则。 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 ：
| ||||||||||||||