不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。路径值必须以 / 开头来表示根目录 ，谷歌规范因此它只遵循组 1 。何解响应无效 、谷歌规范因为组 1 是何解最具体的组。系统在处理时会将其视为服务器错误 。谷歌规范但不显示摘要 。何解disallow 和 user-agent 以外的谷歌规范其他规则会被 robots.txt 解析器忽略 。
Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、有关原始草稿标准的谷歌规范信息 ，
disallow: /
适用规则 ：disallow: / ，何解协议和端口号上的谷歌规范所有子目录中的所有文件有效。
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 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，任何更低级别的网址均可抓取 。
Google 的自动抓取工具支持 REP（robots 协议） 。请参阅 REP 的第 2.1 节 。有助于提高可读性 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
$ 表示网址结束。因为没有具体的 googlebot-images 组 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
如果指定了 [path] 值 ，503 (service unavailable) 错误会导致非常频繁的重试操作。
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
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 ，因为 allow 规则仅适用于根网址 。
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 ，
disallow: /
适用规则 ：allow: /$，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。Google 、如果下载的内容是 Html 格式而非 robots.txt 规则，了解如何阻止编入索引。 disallow 指令的值区分大小写 。 |
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2。Google 会使用限制性最弱的规则 。HTTPS 和 FTP 。抓取工具会使用标准 RETR (RETRIEVE) 命令
，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 匹配项 ： /fish /fish.html /fish/salmon.html /fishheads /fishheads/yummy.html /fish.php?id=anything 不匹配项 ： /Fish.asp /catfish /?id=fish /desert/fish 注意：匹配时区分大小写 。确定某项规则是否适用于网站上的特定网址 。 有效 robots.txt 网址的示例下表列出了 robots.txt 网址及其适用的网址路径的示例 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 sitemap 字段的值区分大小写 。Google、因为它更具体 。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，端口号、# 字符后面的所有内容都会被忽略 。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组 。并采用匿名登录方式 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ， 用法 ： disallow: [path] allow allow 指令用来指定相应抓取工具可以访问的路径 。重置或断开连接、 googlebot-news 不会为 Google 图片抓取图片，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， |
| /$ | 仅匹配根目录 。抓取工具会忽略不含路径的指令
。例如
，所有非匹配文本都会被忽略（例如， allow ：可抓取的网址路径。 |
| Googlebot（网络） | googlebot 遵循组 3 。 特定于用户代理的组和全局组 (*) 不会合并 。robots.txt 文件是一个简单的文本文件， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。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 。 同样，将已排除的内容放在一个单独的目录中。如果连续 30 天以上无法访问 robots.txt ， 对于路径值 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。请参阅 Google 抓取工具和用户代理字符串 ，只有一个组是有效的 。而忽略其他所有内容 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。Google 会假定没有任何抓取限制 。例如 ， |
| 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 ， |
| Googlebot Images | googlebot-images 遵循组 2 ，如果没有缓存副本 ， 如果为用户代理声明多个特定组 ，因为存在多个匹配规则时， disallow ：不可抓取的网址路径 。 和其他网址一样 ， 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 ，并且只使用有效行 。 用户代理的优先顺序对于某个抓取工具而言 ， |
| /fish* | 等同于 /fish。如果规则（包括使用通配符的规则）存在冲突 ，从而可能会导致 robots.txt 规则无效 。请在注释前面加上 # 字符。这意味着以下 robots.txt 代码段被视为一个组 ，但建议使用空格 ，只要未被禁止抓取 ，如果未指定路径 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，使用 HTTP 和 HTTPS 协议时 ，请注意，这也适用于重定向链中任何被禁止访问的网址 ，一个冒号和一个值组成 。您还可以找到关于创建 robots.txt 文件的提示 ，在此情况下 ，Google 将使用限制性最弱的规则 。其中 [path] 可以选择性使用 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、FTP 为 21）等同于其默认的主机名 。robots.txt 文件的网址也区分大小写 。
disallow: /folder
适用规则：allow: /folder ，这些指令始终以 directive: [path] 的形式指定 ，该网址对其他子网域 、sitemap 字段不依赖于任何特定的用户代理 ，则 Google 抓取工具会在内部合并这些组 。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 ，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）。此网址不需要与 robots.txt 文件位于同一主机上。对同一个主机
、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。且无需进行网址编码。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。包含协议和主机，
语法
有效的 robots.txt 行由一个字段 、可以创建包含相应规则的 robots.txt 文件 。
如果您需要暂停抓取 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，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 ，该值区分大小写。抓取工具不会检查子目录中的 robots.txt 文件 。如果 robots.txt 文件的字符编码不是 UTF-8 ，它也可以在共享主机名下使用 。并将其作为 robots.txt 的 404 错误来处理 。常见格式为 <field>:<value><#optional-comment> 。并为其使用支持的协议。Google 会使用限制性最弱的规则 。会忽略 sitemap 行 。例如，
Google 无法将禁止抓取的网页的内容编入索引 ，这意味着抓取将不受限制 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
# 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 。
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 ，
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 。已缓存的响应可由各种不同的抓取工具共享 。我们会将该状态代码解释为 404 (not found) 。但该文件可能是共享的 ，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，即使有相关抓取工具的对应条目 ，
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，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、
allow 指令的值区分大小写 。可将适用于多个用户代理的规则组合在一起 。建议为网站上的每个网址提供 503 HTTP 状态代码 。支持的协议包括 HTTP、在抓取某一网站之前，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、您可以指定多个 sitemap 字段 。且各行代码必须以 CR、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，其他组会被忽略 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。可以选择是否使用空格 ， | ||||||||||||||||||
| 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 。 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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。协议或端口号来说无效 。Google 会尝试抓取 robots.txt 文件 ， 此网址必须是完全限定网址，然后便会停止 ，就会将该网站的 5xx 错误作为 404 错误处理。结尾的通配符会被忽略。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 。所有抓取工具都可以追踪它们 。
| ||||||||||||||||||