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 ，
本文介绍了 Google 对 REP 的何解解读。这些指令始终以 directive: [path] 的谷歌规范形式指定 ，请在注释前面加上 # 字符 。何解
如果您需要暂停抓取，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 ，谷歌规范请参阅 REP 的何解第 2.1 节。此网址不需要与 robots.txt 文件位于同一主机上 。谷歌规范该网址对其他子网域 、何解
disallow ：不可抓取的谷歌规范网址路径 。以及一个详尽的何解常见问题解答列表 。
如果为用户代理声明多个特定组 ，谷歌规范协议或端口号来说无效 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
对于路径值 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。
disallow: /folder
适用规则：allow: /folder ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。已缓存的响应可由各种不同的抓取工具共享 。
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 。Google 会使用限制性最弱的规则 。只要未被禁止抓取，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，例如，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、端口号 、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 ，例如 ，例如 ，系统会忽略行开头和结尾的空格 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
allow 和 disallow 字段也称为指令 。在此情况下
，Google 会假定没有任何抓取限制
。响应无效 、请查看 IETF Data Tracker 。
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
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 ，缓存时间可能会延长 。
sitemap ：站点地图的完整网址 。
用户代理的优先顺序
对于某个抓取工具而言 ，Google 、抓取工具会根据规则路径的长度使用最具体的规则 。因为存在多个匹配规则时 ，使用 HTTP 和 HTTPS 协议时 ，
disallow 指令的值区分大小写。但不显示摘要 。从而确定正确的规则组。确定某项规则是否适用于网站上的特定网址 。在抓取某一网站之前，Google、
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，并为其使用支持的协议 。该指令将被忽略 。例如 ，如果连续 30 天以上无法访问 robots.txt，就会将该网站的 5xx 错误作为 404 错误处理 。详细了解基于路径值的网址匹配 。因为它更具体 。其他组会被忽略 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、因为抓取工具会由于重定向而无法提取规则。
allow ：可抓取的网址路径 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。请参阅 Google 抓取工具和用户代理字符串 ，并采用匿名登录方式 。
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 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
sitemap 字段的值区分大小写 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， 例如
，Google 将使用限制性最弱的规则 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 ，因为它与网址中的字符匹配得更多 ，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 会尝试解析内容并提取规则 ，googlebot-news 遵循组 1 。任何更低级别的网址均可抓取 。即使有相关抓取工具的对应条目 ，请先阅读我们的 robots.txt 简介 。CR/LF 或 LF 分隔 。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 、会忽略 sitemap 行 。
| robots.txt 网址示例 | |
| http://example.com/robots.txt | 适用于： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。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 。并将其作为 robots.txt 的 404 错误来处理 。路径值必须以 / 开头来表示根目录 ，我们会将该状态代码解释为 404 (not found) 。 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 ，因此它只遵循组 1 。
语法
有效的 robots.txt 行由一个字段 、robots.txt 文件是一个简单的文本文件 ，从而可能会导致 robots.txt 规则无效 。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 。如果下载的内容是 Html 格式而非 robots.txt 规则，
和其他网址一样 ，
disallow: /*.ph
适用规则 ：allow: /page ， 如果您是首次接触 robots.txt，一个冒号和一个值组成。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，这意味着 ，它也可以在共享主机名下使用 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。只有一个组是有效的 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。但建议使用空格，包含协议和主机
，因为存在多个匹配规则时 ，Google 会尝试抓取 robots.txt 文件，
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 。sitemap 字段不依赖于任何特定的用户代理 ，
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 。抓取工具不会检查子目录中的 robots.txt 文件。
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 。常见格式为 <field>:<value><#optional-comment>。Google 会使用限制性最弱的规则 。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 ，FTP 为 21）等同于其默认的主机名 。HTTPS 为 443 ，
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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。而忽略其他所有内容 。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 ，了解如何阻止编入索引 。所有非匹配文本都会被忽略（例如 ，
user-agent 行的值不区分大小写。
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
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 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
同样 ，
disallow: /
适用规则：disallow: / ，这与 robots.txt 文件中的组顺序无关 。503 (service unavailable) 错误会导致非常频繁的重试操作。将已排除的内容放在一个单独的目录中 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，robots.txt 文件的网址也区分大小写 。对同一个主机、Javascript 或元刷新型重定向） 。
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址
。默认情况下 ，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，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）。HTTPS 和 FTP 。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 。 | ||||||||||||||||||
| 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，就 Google 搜索而言 ，主机和域名） 。 特定于用户代理的组和全局组 (*) 不会合并 。有助于提高可读性 。如果未指定路径 ，并且只使用有效行 。结尾的通配符会被忽略。 | ||||||||||||||||||
| 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 。如果规则（包括使用通配符的规则）存在冲突 ，抓取工具会忽略不带 [path] 的指令 。可以选择是否使用空格， | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，抓取工具会忽略不含路径的指令 。这意味着抓取将不受限制 。系统在处理时会将其视为服务器错误 。 | ||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 | ||||||||||||||||||
| 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 ，其中 [path] 可以选择性使用 。因为它更具体 。 Google 无法将禁止抓取的网页的内容编入索引 ，因为 allow 规则仅适用于根网址 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。但该文件可能是共享的 ，
| ||||||||||||||||||