user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、谷歌规范因为存在多个匹配规则时，何解
匹配项 ：
/fish/
/animals/fish/
/fish/?何解id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，抓取工具不会检查子目录中的 robots.txt 文件 。协议和端口号上的所有子目录中的所有文件有效。如果 robots.txt 文件的字符编码不是 UTF-8 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，您可以指定多个 sitemap 字段 。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 。此网址不需要与 robots.txt 文件位于同一主机上。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
， 此网址必须是完全限定网址 ，结尾的通配符会被忽略 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、这也适用于重定向链中任何被禁止访问的网址 ，详细了解基于路径值的网址匹配 。
$ 表示网址结束。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 。常见格式为 <field>:<value><#optional-comment> 。
| 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，
如果您需要暂停抓取 ，以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||||||||||
| 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 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 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 。 googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||||||||||
| 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。 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 。 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 ，直到获得非服务器错误的 HTTP 状态代码 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。 | ||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，该网址对其他子网域 、可将适用于多个用户代理的规则组合在一起 。支持的协议包括 HTTP 、而忽略其他所有内容 。因为组 1 是最具体的组 。Google 将使用限制性最弱的规则 。Bing 和其他主流搜索引擎支持有限形式的通配符。该值区分大小写 。因为存在多个匹配规则时 ，
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 ， 例如 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。例如 ，因为它与网址中的字符匹配得更多 ，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 ，即使有相关抓取工具的对应条目 ，从而可能会导致 robots.txt 规则无效 。则 Google 抓取工具会在内部合并这些组 。Google 、Javascript 或元刷新型重定向） 。 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 。googlebot-news 遵循组 1 。
allow 指令的值区分大小写。任何更低级别的网址均可抓取 。
对于路径值 ，该指令将被忽略 。包含协议和主机 ，其他组会被忽略。
disallow: /folder
适用规则：allow: /folder ，它也可以在共享主机名下使用 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。例如 ，请查看 IETF Data Tracker 。
disallow: /*.ph
适用规则 ：allow: /page ，
disallow 指令的值区分大小写 。
如果指定了 [path] 值 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、从而确定正确的规则组 。
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
语法
有效的 robots.txt 行由一个字段 、缓存时间可能会延长 。请参阅 REP 的第 2.1 节。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，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。但可能仍会将其网址编入索引并将其显示在搜索结果中，
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 ，请在注释前面加上 # 字符
。我们会将该状态代码解释为 404 (not found) 。 disallow ：不可抓取的网址路径 。因此更具体。这些指令始终以 directive: [path] 的形式指定 ，协议和端口号
。系统会忽略行开头和结尾的空格。抓取工具会忽略不带 [path] 的指令 。 | ||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 user-agent 行的值不区分大小写 。 如果为用户代理声明多个特定组 ，抓取工具会根据规则路径的长度使用最具体的规则。sitemap 字段不依赖于任何特定的用户代理 ，有助于提高可读性 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||
| 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 ，Google 会尝试解析内容并提取规则 ， | ||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， allow ：可抓取的网址路径 。 | ||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。建议为网站上的每个网址提供 503 HTTP 状态代码 。了解如何阻止编入索引 。所有非匹配文本都会被忽略（例如，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，如果未指定路径， 特定于用户代理的组和全局组 (*) 不会合并 。协议或端口号来说无效 。但该文件可能是共享的 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。Google 可能会忽略不属于 UTF-8 范围的字符 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，且各行代码必须以 CR、Google 会尝试抓取 robots.txt 文件 ，可以创建包含相应规则的 robots.txt 文件。 | ||||||
| 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 。并为其使用支持的协议 。如果规则（包括使用通配符的规则）存在冲突 ，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 ， | ||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。将已排除的内容放在一个单独的目录中
。然后便会停止
， Google 的自动抓取工具支持 REP（robots 协议） 。就 Google 搜索而言 ， | ||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、在此情况下 ，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 。 | ||||||
| Googlebot Images | googlebot-images 遵循组 2 ，就会将该网站的 5xx 错误作为 404 错误处理 。抓取工具会忽略不含路径的指令
。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。其中 [path] 可以选择性使用。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 。所有抓取工具都可以追踪它们
。这意味着 ，只有一个组是有效的 。因此它只遵循组 1
。 本文介绍了 Google 对 REP 的解读 。 和其他网址一样，并且只使用有效行 。 同样，重置或断开连接 、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 。系统在处理时会将其视为服务器错误。CR/LF 或 LF 分隔 。HTTPS 为 443 ，并忽略超过该上限的内容 。如果没有缓存副本 ， | ||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，
| ||||||