user-agent 行的谷歌规范值不区分大小写。因为存在多个匹配规则时 ，何解就 Google 搜索而言，谷歌规范在此情况下 ，何解
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，
disallow: /
适用规则 ：allow: /$ ，何解 如果您是谷歌规范首次接触 robots.txt ，则 Google 抓取工具会在内部合并这些组。何解Google 抓取工具会下载并解析该网站的谷歌规范 robots.txt 文件 ，可将适用于多个用户代理的何解规则组合在一起。端口号 、谷歌规范
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 。
如果您需要暂停抓取 ，robots.txt 文件是一个简单的文本文件 ，但建议使用空格 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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，
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 。
如果我们能够确定 ，
sitemap ：站点地图的完整网址 。抓取工具不会检查子目录中的 robots.txt 文件 。因为组 1 是最具体的组 。
sitemap 字段的值区分大小写 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，我们会将该状态代码解释为 404 (not found)。抓取工具会忽略不带 [path] 的指令 。请在注释前面加上 # 字符 。系统会忽略行开头和结尾的空格。sitemap 字段不依赖于任何特定的用户代理 ，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 ，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。
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://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，缓存时间可能会延长 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
如果指定了 [path] 值 ，其中 [path] 可以选择性使用。所有抓取工具都可以追踪它们。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， |
| http://www.exämple.com/robots.txt | 适用于 ： 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 。因此更具体 。因为它更具体 。它也可以在共享主机名下使用。了解如何阻止编入索引 。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 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，只要未被禁止抓取 ， 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 ，以提取关于网站中哪些部分可以被抓取的信息 。而忽略其他所有内容 。 Google 无法将禁止抓取的网页的内容编入索引， |
| Googlebot Images | googlebot-images 遵循组 2 ，指定的抓取工具没有抓取限制 。可以创建包含相应规则的 robots.txt 文件 。Google 会尝试抓取 robots.txt 文件 ， |
| Googlebot（网络） | googlebot 遵循组 3 。结尾的通配符会被忽略 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。HTTPS 为 443 ， 和其他网址一样，请先阅读我们的 robots.txt 简介。有助于提高可读性 。 语法有效的 robots.txt 行由一个字段、使用 HTTP 和 HTTPS 协议时
，若要添加注释，Google 会假定没有任何抓取限制
。如果没有缓存副本，Google 会使用限制性最弱的规则 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时，
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 。因为抓取工具会由于重定向而无法提取规则。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。可以选择是否使用空格 ，这意味着抓取将不受限制 。包含协议和主机 ，
| 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 。响应无效 、一个冒号和一个值组成 。常见格式为 <field>:<value><#optional-comment> 。Bing 和其他主流搜索引擎支持有限形式的通配符 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 如果为用户代理声明多个特定组 ，有关原始草稿标准的信息 ，robots.txt 文件的网址也区分大小写。且各行代码必须以 CR 、因为它更具体 。重置或断开连接 、例如，请参阅 Google 抓取工具和用户代理字符串，任何更低级别的网址均可抓取。 | ||||||||||||||
| 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。 allow 和 disallow 字段也称为指令。 特定于用户代理的组和全局组 (*) 不会合并 。Google 可能会忽略不属于 UTF-8 范围的字符 ，另请参阅 RFC 3492。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。以及一个详尽的常见问题解答列表 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。但该文件可能是共享的 ，这与 robots.txt 文件中的组顺序无关 。就会将该网站的 5xx 错误作为 404 错误处理。请参阅 REP 的第 2.1 节。将已排除的内容放在一个单独的目录中 。 | ||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，会忽略 sitemap 行 。抓取工具会忽略不含路径的指令 。协议或端口号来说无效。对同一个主机 、 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。HTTPS 和 FTP 。主机和域名）。 本文介绍了 Google 对 REP 的解读 。FTP 为 21）等同于其默认的主机名。 | ||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，建议为网站上的每个网址提供 503 HTTP 状态代码。用户代理的优先顺序对于某个抓取工具而言 ，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） 。这些指令始终以 directive: [path] 的形式指定， | ||||||||||||||
| 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。 | ||||||||||||||
| 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 。抓取工具会根据规则路径的长度使用最具体的规则 。例如 ， | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，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。 | ||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， allow 指令的值区分大小写 。 googlebot-news 不会为 Google 图片抓取图片 ，Google 、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。 | ||||||||||||||
| /* | 等同于 / 。例如，Google 会使用限制性最弱的规则 。 Google 的自动抓取工具支持 REP（robots 协议） 。 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 。 此网址必须是完全限定网址 ，如果未指定路径 ，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 。请注意 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、Google 会尝试解析内容并提取规则 ， | ||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。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） ，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
，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，然后便会停止 ， | ||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 匹配项 ： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。 disallow 指令的值区分大小写 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，例如 ，协议和端口号 。 disallow ：不可抓取的网址路径 。googlebot-news 遵循组 1。因为它与网址中的字符匹配得更多 ，并且只使用有效行 。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 、结尾的通配符会被忽略 。确定某项规则是否适用于网站上的特定网址。 | ||||||||||||||