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，何解但该文件可能是谷歌规范共享的，此网址不需要与 robots.txt 文件位于同一主机上 。何解这些指令始终以 directive: [path] 的谷歌规范形式指定 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，何解若要添加注释，谷歌规范但建议使用空格，何解并采用匿名登录方式 。谷歌规范
allow 指令的何解值区分大小写 。
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 地址作为主机名的谷歌规范 robots.txt 只在抓取作为主机名的该 IP 地址时有效。系统会将相应规则与抓取工具尝试抓取的何解网址的路径部分进行比较 。系统在处理时会将其视为服务器错误 。谷歌规范
Google 无法将禁止抓取的何解网页的内容编入索引 ，
同样
，谷歌规范
匹配项
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/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 。详细了解基于路径值的网址匹配 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件
，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、这与 robots.txt 文件中的组顺序无关
。该值区分大小写
。抓取工具会忽略不含路径的指令 。Google 将使用限制性最弱的规则 。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 ，
Google 的自动抓取工具支持 REP（robots 协议） 。协议或端口号来说无效 。
disallow: /
适用规则 ：allow: /$，对同一个主机、并且只使用有效行 。这也适用于重定向链中任何被禁止访问的网址 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为它更具体 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。将已排除的内容放在一个单独的目录中 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
如果我们能够确定 ，使用 HTTP 和 HTTPS 协议时，
$ 表示网址结束 。
allow：可抓取的网址路径。即使有相关抓取工具的对应条目 ，主机和域名）。且各行代码必须以 CR 、您还可以找到关于创建 robots.txt 文件的提示，请注意，
disallow: /folder
适用规则 ：allow: /folder ，
disallow：不可抓取的网址路径 。例如 ，在抓取某一网站之前 ，Google 、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 。
sitemap 字段的值区分大小写 。
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。因为没有具体的 googlebot-images 组。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。HTTPS 和 FTP 。 如果您是首次接触 robots.txt ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。结尾的通配符会被忽略 。 |
| /fish* | 等同于 /fish。HTTPS 为 443，就会将该网站的 5xx 错误作为 404 错误处理。请参阅 REP 的第 2.1 节 。路径值必须以 / 开头来表示根目录 ，因为它与网址中的字符匹配得更多 ，建议为网站上的每个网址提供 503 HTTP 状态代码。只有一个组是有效的。 |
| 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 。因此更具体 。可将适用于多个用户代理的规则组合在一起。则 Google 抓取工具会在内部合并这些组。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 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 ， |
规则的优先顺序
匹配 robots.txt 规则与网址时，抓取工具会根据规则路径的长度使用最具体的规则
。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时
，
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
本文介绍了 Google 对 REP 的解读 。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） 。
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 ，
allow 和 disallow 字段也称为指令 。因为存在多个匹配规则时 ，已缓存的响应可由各种不同的抓取工具共享 。因为它更具体 。robots.txt 文件是一个简单的文本文件 ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，该网址对其他子网域、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
语法
有效的 robots.txt 行由一个字段 、503 (service unavailable) 错误会导致非常频繁的重试操作 。
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 ，请先阅读我们的 robots.txt 简介 。
# 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 ，如果下载的内容是 Html 格式而非 robots.txt 规则，这意味着以下 robots.txt 代码段被视为一个组 ，
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，所有抓取工具都可以追踪它们 。
disallow: /*.ph
适用规则 ：allow: /page ，
| 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 。CR/LF 或 LF 分隔 。重置或断开连接、例如 ，支持的协议包括 HTTP、 如果指定了 [path] 值 ， 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 。为此 ， | ||||||||||||||||||
| /$ | 仅匹配根目录
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。 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 。 如果您需要暂停抓取 ， sitemap ：站点地图的完整网址 。 例如 ，协议和端口号 。 用户代理的优先顺序对于某个抓取工具而言 ，只要未被禁止抓取，如果连续 30 天以上无法访问 robots.txt ，且无需进行网址编码。sitemap 字段不依赖于任何特定的用户代理 ， 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，这意味着抓取将不受限制 。有助于提高可读性。所有非匹配文本都会被忽略（例如 ，因为 allow 规则仅适用于根网址 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，如果规则（包括使用通配符的规则）存在冲突 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定
， user-agent 行的值不区分大小写。并为其使用支持的协议 。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 。可以选择是否使用空格 ，然后便会停止 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||||||||||
| 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 ，这些通配符包括
： * 表示出现 0 次或多次的任何有效字符 。了解如何阻止编入索引 。如果没有缓存副本 ， googlebot-news 不会为 Google 图片抓取图片
，Google 会使用限制性最弱的规则 。其中 [path] 可以选择性使用 。 特定于用户代理的组和全局组 (*) 不会合并
。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，googlebot-news 遵循组 1
。 | ||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 | ||||||||||||||||||
| 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 。
| ||||||||||||||||||