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 ，
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
，谷歌规范请查看 IETF Data Tracker 。何解
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?谷歌规范parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，谷歌规范因为存在多个匹配规则时 ，何解该值区分大小写 。谷歌规范其中 [path] 可以选择性使用 。何解可以选择是谷歌规范否使用空格 ，
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。但不显示摘要 。了解如何阻止编入索引 。Bing 和其他主流搜索引擎支持有限形式的通配符 。并将其作为 robots.txt 的 404 错误来处理 。
disallow: /
适用规则 ：disallow: / ，所有抓取工具都可以追踪它们 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。此网址不需要与 robots.txt 文件位于同一主机上 。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） 。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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，
sitemap：站点地图的完整网址。您可以指定多个 sitemap 字段。
用户代理的优先顺序
对于某个抓取工具而言 ，Google 会使用该 robots.txt 的最后一个缓存副本。协议和端口号上的所有子目录中的所有文件有效 。
和其他网址一样 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
disallow: /folder
适用规则 ：allow: /folder ，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。
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，
allow 和 disallow 字段也称为指令。
语法
有效的 robots.txt 行由一个字段 、
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，例如 ，请在注释前面加上 # 字符 。
disallow 指令的值区分大小写 。
user-agent 行的值不区分大小写 。这些指令始终以 directive: [path] 的形式指定 ，
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。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，一个冒号和一个值组成 。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 ，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 ，即使有相关抓取工具的对应条目 ，但该文件可能是共享的 ，
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 。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 。主机和域名） 。在抓取某一网站之前，就会将该网站的 5xx 错误作为 404 错误处理 。详细了解基于路径值的网址匹配 。
allow 指令的值区分大小写 。确定某项规则是否适用于网站上的特定网址 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
如果指定了 [path] 值 ，协议和端口号 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
Google 无法将禁止抓取的网页的内容编入索引 ，若要添加注释 ，为此，直到获得非服务器错误的 HTTP 状态代码 。Google 会假定没有任何抓取限制 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。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 。抓取工具会根据规则路径的长度使用最具体的规则 。请参阅 REP 的第 2.1 节 。请先阅读我们的 robots.txt 简介 。抓取工具不会检查子目录中的 robots.txt 文件 。例如，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），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 。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 ，从而确定正确的规则组。 |
| /fish | 匹配以 /fish 开头的任何路径 。 |
| 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 。例如 ，重置或断开连接 、因为组 1 是最具体的组 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，以及一个详尽的常见问题解答列表。如果规则（包括使用通配符的规则）存在冲突 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，因为它更具体 。并忽略超过该上限的内容 。结尾的通配符会被忽略 。 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 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。robots.txt 文件是一个简单的文本文件 ，默认情况下 ， 如果我们能够确定，也只有在明确匹配时才会有效 。该网址对其他子网域、 Google 会忽略 robots.txt 文件中的无效行
，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） ， 特定于用户代理的组和全局组 (*) 不会合并
。 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 。这意味着， 此网址必须是完全限定网址 ，对同一个主机 、常见格式为 <field>:<value><#optional-comment>。这意味着抓取将不受限制 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 例如 ，就 Google 搜索而言，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，系统在处理时会将其视为服务器错误 。HTTPS 和 FTP 。抓取工具会忽略不含路径的指令。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， Google 的自动抓取工具支持 REP（robots 协议） 。将已排除的内容放在一个单独的目录中 。因此更具体 。Google 可能会忽略不属于 UTF-8 范围的字符 ，因为抓取工具会由于重定向而无法提取规则 。 |
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
对于路径值 ，
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 。其他组会被忽略。Google 会使用限制性最弱的规则 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，例如，如果未指定路径，建议为网站上的每个网址提供 503 HTTP 状态代码 。请注意，因为没有具体的 googlebot-images 组 。则 Google 抓取工具会在内部合并这些组 。可以创建包含相应规则的 robots.txt 文件。请参阅 Google 抓取工具和用户代理字符串 ，从而可能会导致 robots.txt 规则无效 。
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 。并采用匿名登录方式。会忽略 sitemap 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
同样 ，结尾的通配符会被忽略 。路径值必须以 / 开头来表示根目录，缓存时间可能会延长。
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，已缓存的响应可由各种不同的抓取工具共享
。所有非匹配文本都会被忽略（例如 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问。 本文介绍了 Google 对 REP 的解读 。并且只使用有效行 。系统会忽略行开头和结尾的空格 。使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 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 ， | ||||||||||||||||||||||||||||||
| 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。抓取工具会忽略不带 [path] 的指令。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，我们会将该状态代码解释为 404 (not found) 。 | ||||||||||||||||||||||||||||||