robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、
# 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 目前强制执行的谷歌规范 robots.txt 文件大小限制是 500 KiB ，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组 ，
如果指定了 [path] 值 ，谷歌规范
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 ，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
$ 表示网址结束 。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 。所有非匹配文本都会被忽略（例如 ，如果连续 30 天以上无法访问 robots.txt ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，然后便会停止 ，
disallow 指令的值区分大小写。 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 。因为它更具体 。该指令将被忽略。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，如果没有缓存副本， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、如果规则（包括使用通配符的规则）存在冲突，这些指令始终以 directive: [path] 的形式指定 ，结尾的通配符会被忽略 。 allow ：可抓取的网址路径 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，指定的抓取工具没有抓取限制 。在抓取某一网站之前 ，从而可能会导致 robots.txt 规则无效 。以及一个详尽的常见问题解答列表 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。但该文件可能是共享的 ，可将适用于多个用户代理的规则组合在一起。googlebot-news 遵循组 1 。
user-agent 行的值不区分大小写 。请注意 ，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 。并为其使用支持的协议 。
allow 指令的值区分大小写 。详细了解基于路径值的网址匹配 。例如，Google 会使用限制性最弱的规则 。且无需进行网址编码 。因此更具体 。例如 ，Google 会使用限制性最弱的规则。因为它与网址中的字符匹配得更多，
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 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。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 ，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 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，默认情况下 ，
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 。确定某项规则是否适用于网站上的特定网址 。它也可以在共享主机名下使用 。 googlebot-news 不会为 Google 图片抓取图片 ，HTTPS 为 443，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。抓取工具会根据规则路径的长度使用最具体的规则。
同样 ，就 Google 搜索而言 ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符。该值区分大小写 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
对于路径值，
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。例如 ，
Google 会忽略 robots.txt 文件中的无效行 ， 此网址必须是完全限定网址 ，所有抓取工具都可以追踪它们。
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 ， Google 的自动抓取工具支持 REP（robots 协议） 。 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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 disallow ：不可抓取的网址路径 。协议和端口号上的所有子目录中的所有文件有效 。 特定于用户代理的组和全局组 (*) 不会合并 。可以创建包含相应规则的 robots.txt 文件 。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。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 ，Google 、 | ||||||||
| /fish* | 等同于 /fish 。 | ||||||||
| 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。 和其他网址一样 ，为此 ，也只有在明确匹配时才会有效。 如果您是首次接触 robots.txt ，即使有相关抓取工具的对应条目 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。HTTPS 和 FTP 。端口号、 | ||||||||
| 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 。在此情况下 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，使用 HTTP 和 HTTPS 协议时 ，sitemap 字段不依赖于任何特定的用户代理 ，已缓存的响应可由各种不同的抓取工具共享。robots.txt 文件的网址也区分大小写。将已排除的内容放在一个单独的目录中 。这也适用于重定向链中任何被禁止访问的网址 ，FTP 为 21）等同于其默认的主机名 。因此它只遵循组 1 。503 (service unavailable) 错误会导致非常频繁的重试操作 。则 Google 抓取工具会在内部合并这些组 。 | ||||||||
| 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
，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，该网址对其他子网域
、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 ，这与 robots.txt 文件中的组顺序无关 。 | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，只有一个组是有效的 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。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 。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 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、从而确定正确的规则组 。 | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，抓取工具不会检查子目录中的 robots.txt 文件 。请参阅 Google 抓取工具和用户代理字符串， 如果我们能够确定 ， sitemap 字段的值区分大小写 。请在注释前面加上 # 字符。如果 robots.txt 文件的字符编码不是 UTF-8， 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。我们会将该状态代码解释为 404 (not found) 。 | ||||||||
| 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。此网址不需要与 robots.txt 文件位于同一主机上 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，且各行代码必须以 CR 、这意味着以下 robots.txt 代码段被视为一个组 ，响应无效 、Google 会假定没有任何抓取限制 。 sitemap ：站点地图的完整网址 。因为抓取工具会由于重定向而无法提取规则 。 allow 和 disallow 字段也称为指令 。例如，会忽略 sitemap 行 。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 ，Javascript 或元刷新型重定向）。但不显示摘要。只要未被禁止抓取 ， | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，
Google 无法将禁止抓取的网页的内容编入索引 ，包含协议和主机 ，Google 、如果未指定路径 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。因为 allow 规则仅适用于根网址 。请先阅读我们的 robots.txt 简介 。 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 ，重置或断开连接 、支持的协议包括 HTTP 、Google 会使用该 robots.txt 的最后一个缓存副本 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 例如，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，您还可以找到关于创建 robots.txt 文件的提示，协议或端口号来说无效 。系统会忽略行开头和结尾的空格。并忽略超过该上限的内容 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，
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 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，robots.txt 文件是一个简单的文本文件 ，CR/LF 或 LF 分隔 。因为组 1 是最具体的组 。请参阅 REP 的第 2.1 节 。这意味着抓取将不受限制 。并将其作为 robots.txt 的 404 错误来处理 。而忽略其他所有内容 。以提取关于网站中哪些部分可以被抓取的信息 。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 、直到获得非服务器错误的 HTTP 状态代码 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，
匹配项
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，另请参阅 RFC 3492 。
本文介绍了 Google 对 REP 的解读 。
disallow: /folder
适用规则 ：allow: /folder ，协议和端口号 。一个冒号和一个值组成 。抓取工具会忽略不含路径的指令 。
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址。 | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，
| ||||||||