匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，谷歌规范主机和域名） 。何解
匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写
。robots.txt 文件的何解网址也区分大小写 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范
Google 会忽略 robots.txt 文件中的何解无效行 ，也不适用于用来提高用户安全性的谷歌规范抓取工具（例如恶意软件分析） 。
sitemap 字段的何解值区分大小写 。
如果为用户代理声明多个特定组 ，谷歌规范FTP 为 21）等同于其默认的主机名 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，
Google 无法将禁止抓取的网页的内容编入索引，该指令将被忽略 。并忽略超过该上限的内容 。因为它更具体。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
robots.txt 文件中列出的规则只适用于该文件所在的主机
、请在注释前面加上 # 字符 。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 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
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，会忽略 sitemap 行 。包含协议和主机，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow
、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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
$ 表示网址结束 。抓取工具会根据规则路径的长度使用最具体的规则 。但该文件可能是共享的，就会将该网站的 5xx 错误作为 404 错误处理 。
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 ，
语法
有效的 robots.txt 行由一个字段 、
本文介绍了 Google 对 REP 的解读 。 此网址必须是完全限定网址 ，任何更低级别的网址均可抓取 。
sitemap ：站点地图的完整网址 。CR/LF 或 LF 分隔 。
user-agent 行的值不区分大小写 。Google 会使用限制性最弱的规则 。请参阅 Google 抓取工具和用户代理字符串 ，请先阅读我们的 robots.txt 简介 。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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Google 会使用该 robots.txt 的最后一个缓存副本 。系统会忽略行开头和结尾的空格 。这意味着抓取将不受限制 。Google 会尝试抓取 robots.txt 文件 ，就 Google 搜索而言 ，例如 ，抓取工具不会检查子目录中的 robots.txt 文件 。支持的协议包括 HTTP 、这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。因为组 1 是最具体的组 。
对于路径值 ，为此，因此更具体 。
allow ：可抓取的网址路径 。Google 将使用限制性最弱的规则 。例如 ，
| 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。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。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，常见格式为 <field>:<value><#optional-comment> 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，您可以指定多个 sitemap 字段。googlebot-news 遵循组 1 。这意味着 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ， |
| /$ | 仅匹配根目录 。并采用匿名登录方式 。如果连续 30 天以上无法访问 robots.txt ，建议为网站上的每个网址提供 503 HTTP 状态代码。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 同样 ，路径值必须以 / 开头来表示根目录 ，请注意 ，以提取关于网站中哪些部分可以被抓取的信息 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。因此它只遵循组 1
。 disallow ：不可抓取的网址路径。 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 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，该网址对其他子网域、端口号 、 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 ，只要未被禁止抓取 ， 用户代理的优先顺序对于某个抓取工具而言，直到获得非服务器错误的 HTTP 状态代码 。 |
| 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 ， 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 。它也可以在共享主机名下使用。Google 会尝试解析内容并提取规则 ， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，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 。 如果指定了 [path] 值 ，另请参阅 RFC 3492 。抓取工具会忽略不含路径的指令 。然后便会停止 ， |
| http://www.example.com/robots.txt | 适用于： http://www.example.com/ 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 。其他组会被忽略 。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 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。指定的抓取工具没有抓取限制 。并为其使用支持的协议。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 。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 ，这与 robots.txt 文件中的组顺序无关 。响应无效 、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 ，协议和端口号 。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） ，所有非匹配文本都会被忽略（例如， |
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件， 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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。并且只使用有效行 。因为 allow 规则仅适用于根网址 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
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 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1 ，对同一个主机 、协议和端口号上的所有子目录中的所有文件有效 。系统在处理时会将其视为服务器错误 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这些指令始终以 directive: [path] 的形式指定 ，
Google 的自动抓取工具支持 REP（robots 协议） 。并将其作为 robots.txt 的 404 错误来处理 。而忽略其他所有内容 。Google 、 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。此网址不需要与 robots.txt 文件位于同一主机上 。请查看 IETF Data Tracker。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 。
和其他网址一样 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，Google、在此情况下
，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，一个冒号和一个值组成。
如果我们能够确定 ，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 ，即使有相关抓取工具的对应条目 ，
disallow: /
适用规则：disallow: / ，因为存在多个匹配规则时 ，Google 会假定没有任何抓取限制 。可以创建包含相应规则的 robots.txt 文件。
| 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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，且各行代码必须以 CR 、协议或端口号来说无效 。 Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具。sitemap 字段不依赖于任何特定的用户代理 ，详细了解基于路径值的网址匹配 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，可将适用于多个用户代理的规则组合在一起 。如果未指定路径 ，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 ， | ||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。以及一个详尽的常见问题解答列表
。有助于提高可读性
。
| ||||||||||||||||||||||||