规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范如果 robots.txt 文件的何解字符编码不是 UTF-8 ，REP 不适用于由用户控制的谷歌规范 Google 抓取工具（例如 Feed 订阅） ，在此情况下 ，何解 路径中的谷歌规范非 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 。一个冒号和一个值组成 。何解因为 allow 规则仅适用于根网址
。谷歌规范HTTPS 为 443
，何解
示例
user-agent 字段的谷歌规范匹配情况
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 ， |
| Googlebot Images | googlebot-images 遵循组 2 ，何解Bing 和其他主流搜索引擎支持 robots.txt 中的谷歌规范 sitemap 字段。disallow 和 user-agent 以外的何解其他规则会被 robots.txt 解析器忽略 。 如果指定了 [path] 值 ，谷歌规范 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，其他组会被忽略 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 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 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
user-agent 行的值不区分大小写 。所有抓取工具都可以追踪它们 。
用户代理的优先顺序
对于某个抓取工具而言 ，并且只使用有效行 。Google 会使用该 robots.txt 的最后一个缓存副本 。
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，如果规则（包括使用通配符的规则）存在冲突 ，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、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
语法
有效的 robots.txt 行由一个字段 、因为存在多个匹配规则时，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，为此，建议为网站上的每个网址提供 503 HTTP 状态代码 。 如果您是首次接触 robots.txt ，请在注释前面加上 # 字符 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
sitemap ：站点地图的完整网址 。而忽略其他所有内容 。抓取工具不会检查子目录中的 robots.txt 文件 。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。若要添加注释 ，您可以指定多个 sitemap 字段 。googlebot-news 遵循组 1 。请参阅 Google 抓取工具和用户代理字符串，已缓存的响应可由各种不同的抓取工具共享 。
$ 表示网址结束 。
如果我们能够确定，Google 会假定没有任何抓取限制
。且各行代码必须以 CR 、直到获得非服务器错误的 HTTP 状态代码 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
sitemap 字段的值区分大小写 。
disallow ：不可抓取的网址路径。指定的抓取工具没有抓取限制 。默认情况下 ， googlebot-news 不会为 Google 图片抓取图片，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。就 Google 搜索而言 ，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 ，支持的协议包括 HTTP 、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 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。以提取关于网站中哪些部分可以被抓取的信息 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，sitemap 字段不依赖于任何特定的用户代理 ，并忽略超过该上限的内容 。
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 ，抓取工具会根据规则路径的长度使用最具体的规则 。该值区分大小写。 特定于用户代理的组和全局组 (*) 不会合并。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，包含协议和主机 ，
allow ：可抓取的网址路径 。
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
Google 无法将禁止抓取的网页的内容编入索引 ，在抓取某一网站之前 ，即使有相关抓取工具的对应条目 ，对同一个主机 、
disallow 指令的值区分大小写 。因为它与网址中的字符匹配得更多，这意味着 ，
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 ，Google 会使用限制性最弱的规则 。因此更具体 。
本文介绍了 Google 对 REP 的解读 。
disallow: /
适用规则：disallow: /，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
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。并采用匿名登录方式 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
和其他网址一样 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，协议和端口号 。FTP 为 21）等同于其默认的主机名 。但不显示摘要 。
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。Google 会使用限制性最弱的规则。# 字符后面的所有内容都会被忽略 。任何更低级别的网址均可抓取 。但建议使用空格，然后便会停止 ，因为组 1 是最具体的组。Google 、请参阅 REP 的第 2.1 节 。
disallow: /
适用规则：allow: /$ ，
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。这些指令始终以 directive: [path] 的形式指定 ，可将适用于多个用户代理的规则组合在一起 。它也可以在共享主机名下使用 。这意味着以下 robots.txt 代码段被视为一个组 ，请注意 ，重置或断开连接 、例如 ，结尾的通配符会被忽略 。确定某项规则是否适用于网站上的特定网址 。我们会将该状态代码解释为 404 (not found) 。并将其作为 robots.txt 的 404 错误来处理 。因为它更具体 。example.com 的 robots.txt 文件可能如下所示 ：
# 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 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，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 。 |
| 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 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，因为它更具体 。其中 [path] 可以选择性使用 。HTTPS 和 FTP 。该指令将被忽略 。例如，
allow 指令的值区分大小写。端口号 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
如果为用户代理声明多个特定组 ，
对于路径值 ，请先阅读我们的 robots.txt 简介。这意味着抓取将不受限制 。可以选择是否使用空格，因此它只遵循组 1。抓取工具会忽略不带 [path] 的指令 。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，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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，也只有在明确匹配时才会有效 。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） 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
Google 会忽略 robots.txt 文件中的无效行 ，从而可能会导致 robots.txt 规则无效 。但该文件可能是共享的，
* 表示出现 0 次或多次的任何有效字符 。如果没有缓存副本 ，就会将该网站的 5xx 错误作为 404 错误处理。
如果您需要暂停抓取 ，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 ，
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 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
| 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。 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 | ||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。并为其使用支持的协议。详细了解基于路径值的网址匹配 。协议或端口号来说无效 。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 ，Javascript 或元刷新型重定向） 。则 Google 抓取工具会在内部合并这些组 。结尾的通配符会被忽略
。缓存时间可能会延长
。因为没有具体的 googlebot-images 组。此网址不需要与 robots.txt 文件位于同一主机上
。
| ||||||||||||||||