$ 表示网址结束 。谷歌规范其中包含关于哪些抓取工具可以访问网站的何解哪些部分的规则 。其他组会被忽略 。谷歌规范Google 会尝试抓取 robots.txt 文件 ，何解响应无效 、谷歌规范可以创建包含相应规则的何解 robots.txt 文件 。可将适用于多个用户代理的谷歌规范规则组合在一起 。结尾的何解通配符会被忽略。
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本 。如果连续 30 天以上无法访问 robots.txt ，何解
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、例如，系统在处理时会将其视为服务器错误。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 。常见格式为 <field>:<value><#optional-comment> 。任何更低级别的网址均可抓取 。若要添加注释 ，使用 HTTP 和 HTTPS 协议时，有助于提高可读性 。
如果您需要暂停抓取 ，如果没有缓存副本，请查看 IETF Data Tracker 。因为它更具体 。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 ，
disallow: /
适用规则：allow: /$，
allow 和 disallow 字段也称为指令 。
disallow 指令的值区分大小写 。
如果我们能够确定，# 字符后面的所有内容都会被忽略 。抓取工具会根据规则路径的长度使用最具体的规则
。
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 。有关原始草稿标准的信息 ，请注意 ，
| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。主机和域名） 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，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 ， | ||||||||||||||||||
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于： http://212.96.82.21/ 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 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。如果规则（包括使用通配符的规则）存在冲突 ，并为其使用支持的协议。支持的协议包括 HTTP 、但不显示摘要。 | ||||||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，HTTPS 和 FTP 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。例如 ，如果未指定路径
，以及一个详尽的常见问题解答列表
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。CR/LF 或 LF 分隔 。
Google 无法将禁止抓取的网页的内容编入索引，为此 ，
disallow: /folder
适用规则 ：allow: /folder，
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 ，因为它更具体
。然后便会停止， Google 的自动抓取工具支持 REP（robots 协议） 。指定的抓取工具没有抓取限制 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，Google 会尝试解析内容并提取规则 ，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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
user-agent 行的值不区分大小写。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为 allow 规则仅适用于根网址。robots.txt 文件是一个简单的文本文件 ，
如果指定了 [path] 值 ，因为存在多个匹配规则时 ，协议和端口号 。请先阅读我们的 robots.txt 简介 。
如果为用户代理声明多个特定组 ，确定某项规则是否适用于网站上的特定网址 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、该指令将被忽略 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
sitemap 字段的值区分大小写 。
disallow: /
适用规则 ：disallow: / ，系统会忽略行开头和结尾的空格。因为存在多个匹配规则时 ，并将其作为 robots.txt 的 404 错误来处理 。请参阅 Google 抓取工具和用户代理字符串 ，
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 ，
和其他网址一样 ，包含协议和主机 ，
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
本文介绍了 Google 对 REP 的解读 。端口号 、所有抓取工具都可以追踪它们 。
allow 指令的值区分大小写。可以选择是否使用空格 ，Google 、抓取工具会忽略不带 [path] 的指令 。协议和端口号上的所有子目录中的所有文件有效 。因此它只遵循组 1。
| 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 。路径值必须以 / 开头来表示根目录 ， googlebot-news 不会为 Google 图片抓取图片 ，就 Google 搜索而言 ，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。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，503 (service unavailable) 错误会导致非常频繁的重试操作 。我们会将该状态代码解释为 404 (not found) 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，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。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 ，您还可以找到关于创建 robots.txt 文件的提示 ， |
| 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
，在此情况下，例如 ，这与 robots.txt 文件中的组顺序无关。Javascript 或元刷新型重定向）。Google 、已缓存的响应可由各种不同的抓取工具共享。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 、 特定于用户代理的组和全局组 (*) 不会合并
。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，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） 。 |
| Googlebot Images | googlebot-images 遵循组 2，而忽略其他所有内容 。详细了解基于路径值的网址匹配。因为它与网址中的字符匹配得更多 ， 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 ， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。抓取工具会忽略不含路径的指令。此网址不需要与 robots.txt 文件位于同一主机上 。重置或断开连接 、也只有在明确匹配时才会有效。该值区分大小写 。 此网址必须是完全限定网址，用户代理的优先顺序对于某个抓取工具而言 ，则 Google 抓取工具会在内部合并这些组 。 sitemap
：站点地图的完整网址 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 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。Google 会使用限制性最弱的规则 。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，您可以指定多个 sitemap 字段 。Google 会使用限制性最弱的规则 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。这意味着以下 robots.txt 代码段被视为一个组 ， 如果您是首次接触 robots.txt ，并采用匿名登录方式 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，另请参阅 RFC 3492 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因为组 1 是最具体的组 。 同样，Google 可能会忽略不属于 UTF-8 范围的字符， 语法有效的 robots.txt 行由一个字段 、 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。但该文件可能是共享的，对同一个主机 、 |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为抓取工具会由于重定向而无法提取规则。 |