robots.txt 文件中列出的何解规则只适用于该文件所在的主机、以提取关于网站中哪些部分可以被抓取的谷歌规范信息 。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、何解您可以通过整合会导致 robots.txt 文件过大的谷歌规范指令来减小 robots.txt 文件的大小 。请参阅 REP 的何解第 2.1 节 。获取可在 robots.txt 文件中使用的谷歌规范用户代理字符串的完整列表 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，何解googlebot/1.2 和 googlebot* 均等同于 googlebot） 。谷歌规范所有非匹配文本都会被忽略（例如 ，何解
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。何解
sitemap 字段的值区分大小写 。此网址不需要与 robots.txt 文件位于同一主机上 。结尾的通配符会被忽略 。在此情况下，使用 HTTP 和 HTTPS 协议时，支持的协议包括 HTTP、因为存在多个匹配规则时，会忽略 sitemap 行 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，例如 ，因此更具体。将已排除的内容放在一个单独的目录中 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
disallow: /
适用规则：disallow: / ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 ，
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 ，为此 ， |
| /* | 等同于 / 。 Google 的自动抓取工具支持 REP（robots 协议） 。抓取工具不会检查子目录中的 robots.txt 文件 。对同一个主机、并采用匿名登录方式 。如果 robots.txt 文件的字符编码不是 UTF-8 ，若要添加注释 ，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 ，这与 robots.txt 文件中的组顺序无关。例如， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 Google 无法将禁止抓取的网页的内容编入索引， 和其他网址一样 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。以及一个详尽的常见问题解答列表。这些指令始终以 directive: [path] 的形式指定 ，主机和域名）。只要未被禁止抓取，缓存时间可能会延长 。建议为网站上的每个网址提供 503 HTTP 状态代码 。端口号 、Google 、 |
disallow 指令的值区分大小写 。
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 ，robots.txt 文件是一个简单的文本文件 ，
语法
有效的 robots.txt 行由一个字段、抓取工具会忽略不含路径的指令 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。因为它更具体。只有一个组是有效的。该指令将被忽略
。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。即使有相关抓取工具的对应条目 ，并将其作为 robots.txt 的 404 错误来处理。
$ 表示网址结束 。
user-agent 行的值不区分大小写。因为存在多个匹配规则时，
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 。从而确定正确的规则组。如果没有缓存副本 ，Google 会尝试抓取 robots.txt 文件 ，并且只使用有效行。
同样 ，一个冒号和一个值组成
。HTTPS 为 443，
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
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 。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，
匹配项
：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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。
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 。
用户代理的优先顺序
对于某个抓取工具而言 ，且各行代码必须以 CR 、您可以指定多个 sitemap 字段 。
本文介绍了 Google 对 REP 的解读 。已缓存的响应可由各种不同的抓取工具共享 。FTP 为 21）等同于其默认的主机名。Google 会使用限制性最弱的规则 。googlebot-news 遵循组 1 。
disallow: /*.ph
适用规则 ：allow: /page ，
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。您还可以找到关于创建 robots.txt 文件的提示 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、就会将该网站的 5xx 错误作为 404 错误处理 。但不显示摘要 。
sitemap：站点地图的完整网址 。
| 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 。 Google 会忽略 robots.txt 文件中的无效行 ，详细了解基于路径值的网址匹配 。例如，且无需进行网址编码 。 此网址必须是完全限定网址 ，可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，robots.txt 文件的网址也区分大小写
。抓取工具会忽略不带 [path] 的指令 。 如果指定了 [path] 值 ，CR/LF 或 LF 分隔
。这也适用于重定向链中任何被禁止访问的网址 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式
。 | ||||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，这意味着以下 robots.txt 代码段被视为一个组 ，默认情况下 ，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 ，指定的抓取工具没有抓取限制 。Google 会假定没有任何抓取限制 。 | ||||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。重置或断开连接、HTTPS 和 FTP 。Bing 和其他主流搜索引擎支持有限形式的通配符 。了解如何阻止编入索引 。其他组会被忽略 。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 。 | ||||||||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。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） ，包含协议和主机 ，其中 [path] 可以选择性使用 。因此它只遵循组 1 。这意味着 ， googlebot-news 不会为 Google 图片抓取图片，Google、503 (service unavailable) 错误会导致非常频繁的重试操作 。确定某项规则是否适用于网站上的特定网址 。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 ，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 ，该值区分大小写 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，因为它更具体 。
| ||||||||||||||||||||||||||||||||||||