http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，何解因为它与网址中的谷歌规范字符匹配得更多， 如果您是何解首次接触 robots.txt ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，谷歌规范 例如 ，何解并且只使用有效行 。谷歌规范
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解从而可能会导致 robots.txt 规则无效。谷歌规范以提取关于网站中哪些部分可以被抓取的何解信息 。Bing 和其他主流搜索引擎支持有限形式的谷歌规范通配符 。
对于路径值 ，请查看 IETF Data Tracker。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 ，
| 示例情况 | |||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，因为它更具体 。 disallow ：不可抓取的网址路径。协议和端口号 。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 抓取工具会下载并解析该网站的 robots.txt 文件 ，请注意 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，建议为网站上的每个网址提供 503 HTTP 状态代码。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 allow 指令的值区分大小写 。robots.txt 文件是一个简单的文本文件 ， 用户代理的优先顺序对于某个抓取工具而言 ，协议和端口号上的所有子目录中的所有文件有效。 | ||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。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） 。只有一个组是有效的。 | ||||
| Googlebot News（抓取图片时） | 抓取图片时 ， Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。因为它更具体 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。这也适用于重定向链中任何被禁止访问的网址 ，系统会忽略行开头和结尾的空格 。且各行代码必须以 CR 、所有非匹配文本都会被忽略（例如 ，但建议使用空格 ，因为抓取工具会由于重定向而无法提取规则 。然后便会停止 ，HTTPS 为 443 ， sitemap：站点地图的完整网址 。您可以指定多个 sitemap 字段 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。FTP 为 21）等同于其默认的主机名 。并采用匿名登录方式 。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
， | ||||
| 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 ，有关原始草稿标准的信息 ，这与 robots.txt 文件中的组顺序无关。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项： /fish /fish.html /Fish/Salmon.asp | ||||
| /*.php | 匹配包含 .php 的任何路径
。Google 可能会忽略不属于 UTF-8 范围的字符 ，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
， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，则 Google 抓取工具会在内部合并这些组 。 | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，可以选择是否使用空格 ， | ||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， | ||||
| /* | 等同于 /
。我们会将该状态代码解释为 404 (not found) 。也只有在明确匹配时才会有效 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，因为组 1 是最具体的组 。 | ||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，因此更具体 。
Google 无法将禁止抓取的网页的内容编入索引 ，详细了解基于路径值的网址匹配 。
* 表示出现 0 次或多次的任何有效字符 。
Google 的自动抓取工具支持 REP（robots 协议） 。
allow ：可抓取的网址路径
。抓取工具不会检查子目录中的 robots.txt 文件
。因为存在多个匹配规则时
，
如果您需要暂停抓取，并为其使用支持的协议 。
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 。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 会使用限制性最弱的规则。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。重置或断开连接、这意味着抓取将不受限制 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，主机和域名） 。Javascript 或元刷新型重定向） 。
Google 会忽略 robots.txt 文件中的无效行 ，支持的协议包括 HTTP、包含协议和主机 ，
匹配项
：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /
适用规则：disallow: / ，
disallow 指令的值区分大小写 。可将适用于多个用户代理的规则组合在一起 。响应无效、Google 会假定没有任何抓取限制 。但该文件可能是共享的 ，一个冒号和一个值组成 。
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。# 字符后面的所有内容都会被忽略
。 和其他网址一样，这意味着以下 robots.txt 代码段被视为一个组 ，协议或端口号来说无效 。系统在处理时会将其视为服务器错误 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。其中 [path] 可以选择性使用 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、抓取工具会根据规则路径的长度使用最具体的规则 。只要未被禁止抓取 ， allow 和 disallow 字段也称为指令 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 如果指定了 [path] 值 ，如果连续 30 天以上无法访问 robots.txt，请参阅 REP 的第 2.1 节 。从而确定正确的规则组 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，端口号 、 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 ，Google、 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 。 googlebot-news 不会为 Google 图片抓取图片 ，如果未指定路径， 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 ，
| ||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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 ， 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 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、且无需进行网址编码 。 语法有效的 robots.txt 行由一个字段 、抓取工具会忽略不带 [path] 的指令
。Google 会使用限制性最弱的规则 。常见格式为 <field>:<value><#optional-comment>
。 | ||||||||||||||||||||||||||