文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件，Google 会尝试抓取 robots.txt 文件 ，何解
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 ，何解协议和端口号 。谷歌规范这些通配符包括 ：
* 表示出现 0 次或多次的何解任何有效字符。如果未指定路径 ，谷歌规范Google 抓取工具会下载并解析该网站的何解 robots.txt 文件
，结尾的谷歌规范通配符会被忽略 。该网址对其他子网域 、何解系统会忽略行开头和结尾的谷歌规范空格。
如果我们能够确定，何解请注意
，谷歌规范另请参阅 RFC 3492。
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: 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 ，为此，Google 将使用限制性最弱的规则
。就会将该网站的 5xx 错误作为 404 错误处理 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
如果您需要暂停抓取 ，并忽略超过该上限的内容 。详细了解基于路径值的网址匹配
。默认情况下，会忽略 sitemap 行
。直到获得非服务器错误的 HTTP 状态代码
。如果 robots.txt 文件的字符编码不是 UTF-8，Google 会使用该 robots.txt 的最后一个缓存副本
。因为它与网址中的字符匹配得更多
，因为组 1 是最具体的组 。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 ，
语法
有效的 robots.txt 行由一个字段 、
allow 和 disallow 字段也称为指令
。则 Google 抓取工具会在内部合并这些组。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
和其他网址一样 ，请参阅 REP 的第 2.1 节 。可以选择是否使用空格 ，如果没有缓存副本 ，若要添加注释 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。支持的协议包括 HTTP 、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 ，该值区分大小写 。只要未被禁止抓取，
allow 指令的值区分大小写 。例如 ，
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。有助于提高可读性。在此情况下 ，
disallow: /
适用规则 ：allow: /$ ，对同一个主机 、googlebot-news 遵循组 1。
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 ，可将适用于多个用户代理的规则组合在一起。以提取关于网站中哪些部分可以被抓取的信息 。如果下载的内容是 Html 格式而非 robots.txt 规则， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，因为它更具体 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 此网址必须是完全限定网址，从而确定正确的规则组 。协议或端口号来说无效。Google 会假定没有任何抓取限制 。Javascript 或元刷新型重定向） 。且各行代码必须以 CR
、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。并且只使用有效行
。 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径 。 sitemap ：站点地图的完整网址 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
disallow: /*.ph
适用规则 ：allow: /page ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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，确定某项规则是否适用于网站上的特定网址 。
如果指定了 [path] 值，
Google 无法将禁止抓取的网页的内容编入索引 ，
Google 会忽略 robots.txt 文件中的无效行 ，使用 HTTP 和 HTTPS 协议时 ， 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。
disallow: /folder
适用规则 ：allow: /folder ，指定的抓取工具没有抓取限制 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这也适用于重定向链中任何被禁止访问的网址 ，请查看 IETF Data Tracker 。
对于路径值，
| 错误处理和 HTTP 状态代码 | |||||
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件
。该指令将被忽略
。您还可以找到关于创建 robots.txt 文件的提示 ，响应无效
、一个冒号和一个值组成。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） ，系统在处理时会将其视为服务器错误 。robots.txt 文件是一个简单的文本文件， 如果为用户代理声明多个特定组 ，Google、 | ||||
| /*.php | 匹配包含 .php 的任何路径 。# 字符后面的所有内容都会被忽略。即使有相关抓取工具的对应条目
，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。抓取工具会忽略不含路径的指令
。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，结尾的通配符会被忽略。 user-agent 行的值不区分大小写 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，以及一个详尽的常见问题解答列表。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， robots.txt 文件中列出的规则只适用于该文件所在的主机 、 sitemap 字段的值区分大小写。 同样 ，可以创建包含相应规则的 robots.txt 文件。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 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 。如果连续 30 天以上无法访问 robots.txt ， 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，请在注释前面加上 # 字符 。了解如何阻止编入索引 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。 disallow 指令的值区分大小写。HTTPS 为 443 ，其他组会被忽略 。 | ||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 本文介绍了 Google 对 REP 的解读 。Google 可能会忽略不属于 UTF-8 范围的字符 ，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 。 | ||||
| /fish* | 等同于 /fish 。请参阅 Google 抓取工具和用户代理字符串，而忽略其他所有内容 。也只有在明确匹配时才会有效 。只有一个组是有效的 。如果规则（包括使用通配符的规则）存在冲突 ， | ||||
| 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 ， 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。抓取工具会忽略不带 [path] 的指令 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， | ||||
| 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。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 。其中 [path] 可以选择性使用 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、就 Google 搜索而言 ，且无需进行网址编码 。 | ||||
| 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 。 $ 表示网址结束。 disallow
：不可抓取的网址路径 。我们会将该状态代码解释为 404 (not found) 。 | ||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ， 例如 ，并采用匿名登录方式 。
| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，在抓取某一网站之前 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，请先阅读我们的 robots.txt 简介 。 Google 的自动抓取工具支持 REP（robots 协议）。端口号、包含协议和主机 ， 特定于用户代理的组和全局组 (*) 不会合并 。 如果您是首次接触 robots.txt，有关原始草稿标准的信息，Google 会尝试解析内容并提取规则 ，抓取工具会根据规则路径的长度使用最具体的规则 。sitemap 字段不依赖于任何特定的用户代理 ，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， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。已缓存的响应可由各种不同的抓取工具共享 。重置或断开连接 、这意味着 ， | ||||||||||
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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 。Google 、 | ||||||||||
| Googlebot Images | googlebot-images 遵循组 2
， 用法： allow: [path] sitemap 根据 sitemaps.org 规定，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 。 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 ，这与 robots.txt 文件中的组顺序无关。 用户代理的优先顺序对于某个抓取工具而言 ，您可以指定多个 sitemap 字段。这意味着以下 robots.txt 代码段被视为一个组，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） 。因为 allow 规则仅适用于根网址 。将已排除的内容放在一个单独的目录中 。 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。 | ||||||||||
| /$ | 仅匹配根目录 。 allow ：可抓取的网址路径。例如 ，但不显示摘要。所有抓取工具都可以追踪它们 。
| ||||||||||