user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范
Google 目前强制执行的何解 robots.txt 文件大小限制是 500 KiB ，503 (service unavailable) 错误会导致非常频繁的谷歌规范重试操作。
disallow: /*.htm
适用规则：disallow: /*.htm ，何解您还可以找到关于创建 robots.txt 文件的谷歌规范提示 ，disallow 和 user-agent 以外的何解其他规则会被 robots.txt 解析器忽略。因为它更具体 。谷歌规范请参阅 Google 抓取工具和用户代理字符串 ，何解因此更具体 。谷歌规范抓取工具会忽略不含路径的何解指令 。并将其作为 robots.txt 的谷歌规范 404 错误来处理 。
什么是何解 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 ，另请参阅 RFC 3492。谷歌规范因为存在多个匹配规则时 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
同样 ，
allow 和 disallow 字段也称为指令。我们会将该状态代码解释为 404 (not found)。但建议使用空格，
对于路径值 ，主机和域名） 。FTP 为 21）等同于其默认的主机名 。
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 ，使用 HTTP 和 HTTPS 协议时
，语法有效的 robots.txt 行由一个字段 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，抓取工具会根据规则路径的长度使用最具体的规则 。 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 ，Google 会使用该 robots.txt 的最后一个缓存副本 。Google 会使用限制性最弱的规则。结尾的通配符会被忽略 。如果未指定路径 ， | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。从而可能会导致 robots.txt 规则无效 。Google 会尝试解析内容并提取规则 ，可以选择是否使用空格 ，所有抓取工具都可以追踪它们 。端口号 、这与 robots.txt 文件中的组顺序无关
。googlebot-news 遵循组 1 。Google
、例如 ，
sitemap：站点地图的完整网址 。 allow ：可抓取的网址路径 。请查看 IETF Data Tracker 。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，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 。因为组 1 是最具体的组 。 allow 指令的值区分大小写。且各行代码必须以 CR 、该值区分大小写 。robots.txt 文件的网址也区分大小写。 | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，HTTPS 和 FTP 。 本文介绍了 Google 对 REP 的解读 。 | ||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
和其他网址一样，它也可以在共享主机名下使用 。
disallow: /
适用规则 ：allow: /$ ，
disallow: /
适用规则 ：disallow: / ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。并忽略超过该上限的内容。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Bing 和其他主流搜索引擎支持有限形式的通配符。确定某项规则是否适用于网站上的特定网址 。有助于提高可读性 。一个冒号和一个值组成
。
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 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、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 。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 ，
$ 表示网址结束。
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 指令的值区分大小写 。
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，然后便会停止，系统在处理时会将其视为服务器错误 。可以创建包含相应规则的 robots.txt 文件 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
Google 的自动抓取工具支持 REP（robots 协议）。已缓存的响应可由各种不同的抓取工具共享
。 此网址必须是完全限定网址 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，对同一个主机 、在此情况下 ，且无需进行网址编码 。 |
| 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，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， 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 。会忽略 sitemap 行 。则 Google 抓取工具会在内部合并这些组 。sitemap 字段不依赖于任何特定的用户代理 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这意味着以下 robots.txt 代码段被视为一个组 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，这意味着， |
| /* | 等同于 /
。 Google 会忽略 robots.txt 文件中的无效行 ，您可以指定多个 sitemap 字段 。将已排除的内容放在一个单独的目录中 。请参阅 REP 的第 2.1 节 。就 Google 搜索而言 ， 如果为用户代理声明多个特定组 ，但不显示摘要 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， user-agent 行的值不区分大小写 。 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。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 。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） ， |
| 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 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，所有非匹配文本都会被忽略（例如
，从而确定正确的规则组 。 sitemap 字段的值区分大小写 。例如 ，协议和端口号 。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 ，包含协议和主机 ， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。指定的抓取工具没有抓取限制 。并采用匿名登录方式 。为此， |
| 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。 disallow ：不可抓取的网址路径 。Google 将使用限制性最弱的规则 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，请先阅读我们的 robots.txt 简介 。结尾的通配符会被忽略 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，以提取关于网站中哪些部分可以被抓取的信息 。Google 会假定没有任何抓取限制 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，该指令将被忽略 。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 ，路径值必须以 / 开头来表示根目录 ，即使有相关抓取工具的对应条目 ，
如果指定了 [path] 值 ，就会将该网站的 5xx 错误作为 404 错误处理。抓取工具不会检查子目录中的 robots.txt 文件 。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 ，
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。了解如何阻止编入索引 。有关原始草稿标准的信息，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符。
匹配项
：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。因为抓取工具会由于重定向而无法提取规则 。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） 。只有一个组是有效的 。若要添加注释，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 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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 。因此它只遵循组 1 。
| 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。Google 可能会忽略不属于 UTF-8 范围的字符 ，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 。 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
。
| ||||||||