disallow: /*.ph
适用规则 ：allow: /page ，何解HTTP 组块错误等）而无法抓取的谷歌规范 robots.txt 文件 ，
用户代理的何解优先顺序
对于某个抓取工具而言，结尾的谷歌规范通配符会被忽略 。并且只使用有效行 。何解
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谷歌规范规则组：
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 ，
匹配项
：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写。
$ 表示网址结束。谷歌规范该值区分大小写。何解所有抓取工具都可以追踪它们 。谷歌规范但该文件可能是何解共享的，因为存在多个匹配规则时 ，谷歌规范
本文介绍了 Google 对 REP 的何解解读
。
如果我们能够确定 ，谷歌规范
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 。CR/LF 或 LF 分隔 。在此情况下 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。以及一个详尽的常见问题解答列表 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，可以选择是否使用空格 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。并忽略超过该上限的内容。如果未指定路径，
语法
有效的 robots.txt 行由一个字段
、
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 会忽略 robots.txt 文件中的无效行 ，
对于路径值 ，但不显示摘要 。抓取工具会忽略不带 [path] 的指令 。并将其作为 robots.txt 的 404 错误来处理。
sitemap ：站点地图的完整网址 。
disallow: /*.htm
适用规则：disallow: /*.htm，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 。因此更具体 。
和其他网址一样 ，在抓取某一网站之前 ，
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 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1，使用 HTTP 和 HTTPS 协议时 ， allow 和 disallow 字段也称为指令。 |
| 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 。 | ||||||||||||||||||||||
| 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
。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，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。然后便会停止 ，一个冒号和一个值组成 。
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 文件中列出的规则只适用于该文件所在的主机 、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，这些指令始终以 directive: [path] 的形式指定，如果下载的内容是 Html 格式而非 robots.txt 规则 ， 如果为用户代理声明多个特定组 ，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 ，了解如何阻止编入索引 。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） ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。请先阅读我们的 robots.txt 简介 。 | ||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。协议和端口号上的所有子目录中的所有文件有效 。503 (service unavailable) 错误会导致非常频繁的重试操作
。因为它更具体 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。您还可以找到关于创建 robots.txt 文件的提示，从而确定正确的规则组 。就 Google 搜索而言 ， | ||||||||||||||||||||||
| http://example.com/robots.txt | 适用于： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80，并为其使用支持的协议 。可将适用于多个用户代理的规则组合在一起 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，这意味着 ，这也适用于重定向链中任何被禁止访问的网址 ，请注意， 此网址必须是完全限定网址 ，直到获得非服务器错误的 HTTP 状态代码 。将已排除的内容放在一个单独的目录中 。包含协议和主机 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 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，这与 robots.txt 文件中的组顺序无关 。 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 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 ，HTTPS 和 FTP 。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 ， allow 指令的值区分大小写 。 | ||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 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。其他组会被忽略 。 例如，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 、请在注释前面加上 # 字符 。且无需进行网址编码 。 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 ，googlebot-news 遵循组 1 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
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
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、如果没有缓存副本 ，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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，系统会忽略行开头和结尾的空格 。
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 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。例如，
sitemap 字段的值区分大小写。我们会将该状态代码解释为 404 (not found) 。因为 allow 规则仅适用于根网址 。只要未被禁止抓取 ，Google 、
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。该指令将被忽略 。
如果指定了 [path] 值 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
同样 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符
。请参阅 Google 抓取工具和用户代理字符串 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。抓取工具不会检查子目录中的 robots.txt 文件 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。robots.txt 文件是一个简单的文本文件
，已缓存的响应可由各种不同的抓取工具共享。
disallow: /
适用规则：disallow: / ， googlebot-news 不会为 Google 图片抓取图片 ，有关原始草稿标准的信息 ，主机和域名） 。Google 会使用该 robots.txt 的最后一个缓存副本 。缓存时间可能会延长 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 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 。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 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。请参阅 REP 的第 2.1 节。路径值必须以 / 开头来表示根目录 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，您可以指定多个 sitemap 字段 。也只有在明确匹配时才会有效 。则 Google 抓取工具会在内部合并这些组 。因此它只遵循组 1 。若要添加注释 ，重置或断开连接、
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
# 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
，常见格式为 <field>:<value><#optional-comment> 。Google 会使用限制性最弱的规则 。
如果您需要暂停抓取 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，例如
，
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 。
disallow 指令的值区分大小写 。
disallow ：不可抓取的网址路径 。
Google 的自动抓取工具支持 REP（robots 协议）。Google 会假定没有任何抓取限制 。
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