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 ，即使有相关抓取工具的何解对应条目 ，该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效 ，如果 robots.txt 文件的何解字符编码不是 UTF-8 ，主机和域名） 。谷歌规范
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。何解以及一个详尽的谷歌规范常见问题解答列表。
user-agent 行的值不区分大小写
。因此更具体 。抓取工具会忽略不带 [path] 的指令。
如果您需要暂停抓取 ，因为抓取工具会由于重定向而无法提取规则 。
| 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 。 |
| 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 。Google 会尝试解析内容并提取规则 ， Google 会忽略 robots.txt 文件中的无效行 ，若要添加注释，googlebot/1.2 和 googlebot* 均等同于 googlebot）。所有抓取工具都可以追踪它们 。 如果为用户代理声明多个特定组 ，则 Google 抓取工具会在内部合并这些组 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 |
如果我们能够确定，您可以指定多个 sitemap 字段。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） 。已缓存的响应可由各种不同的抓取工具共享 。Bing 和其他主流搜索引擎支持有限形式的通配符 。Google 可能会忽略不属于 UTF-8 范围的字符 ，对同一个主机 、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。常见格式为 <field>:<value><#optional-comment> 。例如 ，且无需进行网址编码 。建议为网站上的每个网址提供 503 HTTP 状态代码 。有助于提高可读性。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
语法
有效的 robots.txt 行由一个字段 、
disallow 指令的值区分大小写 。Google 、
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。从而确定正确的规则组 。
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 。
sitemap 字段的值区分大小写。
对于路径值，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
allow ：可抓取的网址路径 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，了解如何阻止编入索引。该值区分大小写。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 。
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。默认情况下，抓取工具会根据规则路径的长度使用最具体的规则 。
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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，我们会将该状态代码解释为 404 (not found) 。例如 ，例如，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 ，
disallow: /*.ph
适用规则 ：allow: /page ， 特定于用户代理的组和全局组 (*) 不会合并。因为存在多个匹配规则时 ，因此它只遵循组 1。 此网址必须是完全限定网址 ，该指令将被忽略 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Google 会使用限制性最弱的规则。
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 。响应无效 、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 ，
allow 指令的值区分大小写 。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
。以提取关于网站中哪些部分可以被抓取的信息。
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 ，请查看 IETF Data Tracker
。路径值必须以 / 开头来表示根目录
，
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
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 ：allow: /$，
Google 的自动抓取工具支持 REP（robots 协议） 。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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
disallow: /folder
适用规则 ：allow: /folder ，您还可以找到关于创建 robots.txt 文件的提示，只有一个组是有效的 。请注意，如果未指定路径 ，并将其作为 robots.txt 的 404 错误来处理 。
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: /*.htm
适用规则：disallow: /*.htm ，
| 路径匹配示例 | |||||||||||||||||
| / | 匹配根目录以及任何下级网址 。会忽略 sitemap 行。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时），然后便会停止
， 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，HTTPS 为 443 ，HTTPS 和 FTP 。googlebot-news 遵循组 1 。抓取工具不会检查子目录中的 robots.txt 文件 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。Google 会尝试抓取 robots.txt 文件 ，任何更低级别的网址均可抓取 。重置或断开连接、Google 会假定没有任何抓取限制 。抓取工具会使用标准 RETR (RETRIEVE) 命令， | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。 googlebot-news 不会为 Google 图片抓取图片 ，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 。只要未被禁止抓取 ，并采用匿名登录方式。使用 HTTP 和 HTTPS 协议时 ，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，可以选择是否使用空格 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，请在注释前面加上 # 字符 。 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
。但该文件可能是共享的 ， | ||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。指定的抓取工具没有抓取限制 。直到获得非服务器错误的 HTTP 状态代码 。并且只使用有效行 。请先阅读我们的 robots.txt 简介
。就 Google 搜索而言，因为它与网址中的字符匹配得更多 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。这与 robots.txt 文件中的组顺序无关 。该网址对其他子网域 、FTP 为 21）等同于其默认的主机名 。如果没有缓存副本 ，但不显示摘要。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||||||||||||||
| /$ | 仅匹配根目录。 | ||||||||||||||||