allow 和 disallow 字段也称为指令。何解请在注释前面加上 # 字符 。谷歌规范Google 会尝试解析内容并提取规则，何解
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的何解 Punycode 版本。该值区分大小写。谷歌规范例如 ，何解
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 地址作为主机名的谷歌规范 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。
Google 会忽略 robots.txt 文件中的何解无效行，就 Google 搜索而言 ，谷歌规范sitemap 字段不依赖于任何特定的用户代理，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。但建议使用空格，任何更低级别的网址均可抓取 。此网址不需要与 robots.txt 文件位于同一主机上 。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） ，robots.txt 文件的网址也区分大小写 。
本文介绍了 Google 对 REP 的解读 。将已排除的内容放在一个单独的目录中。指定的抓取工具没有抓取限制 。
| 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 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。因为存在多个匹配规则时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。且各行代码必须以 CR、 |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，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 、 此网址必须是完全限定网址， |
| 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
， robots.txt 文件中列出的规则只适用于该文件所在的主机、 同样 ，因为存在多个匹配规则时 ，因为组 1 是最具体的组 。抓取工具会根据规则路径的长度使用最具体的规则 。有助于提高可读性 。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 ， user-agent 行的值不区分大小写。就会将该网站的 5xx 错误作为 404 错误处理 。结尾的通配符会被忽略 。这意味着 ，响应无效、以及一个详尽的常见问题解答列表 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 |
| Googlebot Images | googlebot-images 遵循组 2 ， 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 ，路径值必须以 / 开头来表示根目录，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，并采用匿名登录方式 。但不显示摘要 。缓存时间可能会延长 。已缓存的响应可由各种不同的抓取工具共享 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。# 字符后面的所有内容都会被忽略 。
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。
Google 的自动抓取工具支持 REP（robots 协议） 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
用户代理的优先顺序
对于某个抓取工具而言 ，
sitemap 字段的值区分大小写 。
sitemap：站点地图的完整网址。HTTPS 和 FTP。可以创建包含相应规则的 robots.txt 文件 。
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 。因为没有具体的 googlebot-images 组
。并忽略超过该上限的内容。
allow ：可抓取的网址路径 。端口号、
如果为用户代理声明多个特定组 ，一个冒号和一个值组成 。
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 ，即使有相关抓取工具的对应条目 ，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 ，
Google 无法将禁止抓取的网页的内容编入索引 ，因此更具体。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 ，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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，也只有在明确匹配时才会有效 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，结尾的通配符会被忽略
。默认情况下 ，而忽略其他所有内容 。该指令将被忽略 。并且只使用有效行。例如
，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，这些指令始终以 directive: [path] 的形式指定，您可以指定多个 sitemap 字段。FTP 为 21）等同于其默认的主机名 。503 (service unavailable) 错误会导致非常频繁的重试操作 。该网址对其他子网域 、Google 抓取工具会下载并解析该网站的 robots.txt 文件，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
如果指定了 [path] 值 ，协议和端口号 。请参阅 Google 抓取工具和用户代理字符串 ， 例如，抓取工具会使用标准 RETR (RETRIEVE) 命令，重置或断开连接 、
对于路径值 ，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 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。抓取工具会忽略不带 [path] 的指令 。请查看 IETF Data Tracker。如果 robots.txt 文件的字符编码不是 UTF-8 ， 特定于用户代理的组和全局组 (*) 不会合并 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，Javascript 或元刷新型重定向）
。
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
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 。则 Google 抓取工具会在内部合并这些组 。
disallow: /folder
适用规则：allow: /folder ，
如果我们能够确定 ，在抓取某一网站之前 ，并将其作为 robots.txt 的 404 错误来处理 。但该文件可能是共享的 ，
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 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
disallow: /*.ph
适用规则：allow: /page ，其他组会被忽略 。Google 会尝试抓取 robots.txt 文件 ，协议或端口号来说无效 。 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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，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 。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 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 。HTTPS 为 443，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
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 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
disallow ：不可抓取的网址路径 。主机和域名）。因此它只遵循组 1 。只有一个组是有效的 。包含协议和主机 ，
allow 指令的值区分大小写 。googlebot-news 遵循组 1 。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） 。
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 ，Google 可能会忽略不属于 UTF-8 范围的字符，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 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
| 路径匹配示例 | |||||||||||||||
| / | 匹配根目录以及任何下级网址 。会忽略 sitemap 行 。可以选择是否使用空格 ， | ||||||||||||||
| /fish* | 等同于 /fish 。 googlebot-news 不会为 Google 图片抓取图片，我们会将该状态代码解释为 404 (not found)。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，例如
，因为它与网址中的字符匹配得更多 ，抓取工具会忽略不含路径的指令 。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。所有非匹配文本都会被忽略（例如 ， disallow 指令的值区分大小写。从而确定正确的规则组 。这意味着以下 robots.txt 代码段被视为一个组 ，以提取关于网站中哪些部分可以被抓取的信息。抓取工具不会检查子目录中的 robots.txt 文件 。 $ 表示网址结束 。这意味着抓取将不受限制。如果未指定路径 ，请参阅 REP 的第 2.1 节。请注意，请先阅读我们的 robots.txt 简介 。如果没有缓存副本， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 | ||||||||||||||
| 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。所有抓取工具都可以追踪它们 。详细了解基于路径值的网址匹配 。从而可能会导致 robots.txt 规则无效 。 和其他网址一样 ， | ||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，这也适用于重定向链中任何被禁止访问的网址 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 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。为此 ， 如果您是首次接触 robots.txt ，常见格式为 <field>:<value><#optional-comment> 。只要未被禁止抓取 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 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 ，且无需进行网址编码 。 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：
| ||||||||||||||