匹配项：
/fish/
/animals/fish/
/fish/?何解id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
$ 表示网址结束 。何解Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符，
匹配项：
/fish.php
/fishheads/catfish.php?何解parameters
不匹配项： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?谷歌规范id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
allow：可抓取的谷歌规范网址路径。这意味着以下 robots.txt 代码段被视为一个组 ，何解抓取工具不会检查子目录中的谷歌规范 robots.txt 文件 。
disallow 指令的何解值区分大小写。而忽略其他所有内容 。谷歌规范
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
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 ，因为组 1 是最具体的组。因为它更具体 。所有非匹配文本都会被忽略（例如 ，
user-agent 行的值不区分大小写。此网址不需要与 robots.txt 文件位于同一主机上 。因此它只遵循组 1。
disallow: /*.ph
适用规则 ：allow: /page，
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 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、会忽略 sitemap 行。建议为网站上的每个网址提供 503 HTTP 状态代码 。协议和端口号上的所有子目录中的所有文件有效 。
本文介绍了 Google 对 REP 的解读 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。Google 会假定没有任何抓取限制。
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 、 此网址必须是完全限定网址 ，并将其作为 robots.txt 的 404 错误来处理 。
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 ，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，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。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 。任何更低级别的网址均可抓取
。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 ， 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 ，Google 会尝试解析内容并提取规则，Javascript 或元刷新型重定向） 。Google 会使用限制性最弱的规则 。结尾的通配符会被忽略。robots.txt 文件的网址也区分大小写。请注意 ，响应无效 、它也可以在共享主机名下使用。且各行代码必须以 CR 、 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。 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 。 |
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 ，
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 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定，主机和域名）。将已排除的内容放在一个单独的目录中 。端口号 、
和其他网址一样 ，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 ，就 Google 搜索而言，确定某项规则是否适用于网站上的特定网址。
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
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。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
| 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。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，抓取工具会根据规则路径的长度使用最具体的规则 。在抓取某一网站之前 ，但该文件可能是共享的 ，了解如何阻止编入索引。 sitemap 字段的值区分大小写 。 用户代理的优先顺序对于某个抓取工具而言 ，以提取关于网站中哪些部分可以被抓取的信息 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。但不显示摘要 。 Google 会忽略 robots.txt 文件中的无效行 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。请参阅 Google 抓取工具和用户代理字符串 ， Google 无法将禁止抓取的网页的内容编入索引 ，可将适用于多个用户代理的规则组合在一起 。使用 HTTP 和 HTTPS 协议时 ，路径值必须以 / 开头来表示根目录 ， | ||||||||||||||||||||
| /$ | 仅匹配根目录。若要添加注释 ，语法有效的 robots.txt 行由一个字段、您可以指定多个 sitemap 字段。系统会忽略行开头和结尾的空格 。 对于路径值，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，请先阅读我们的 robots.txt 简介 。并为其使用支持的协议 。系统在处理时会将其视为服务器错误。 | ||||||||||||||||||||
| 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 ， | ||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder， robots.txt 文件中列出的规则只适用于该文件所在的主机 、为此 ，因此更具体 。Google 会尝试抓取 robots.txt 文件 ，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 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，有关原始草稿标准的信息 ，我们会将该状态代码解释为 404 (not found) 。在此情况下 ，HTTPS 为 443 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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、例如， allow 指令的值区分大小写 。 如果为用户代理声明多个特定组 ，例如 ，这意味着 ，# 字符后面的所有内容都会被忽略 。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 Google 会暂时将服务器错误解读为网站完全禁止访问 。 Google 的自动抓取工具支持 REP（robots 协议） 。然后便会停止 ， allow 和 disallow 字段也称为指令。如果连续 30 天以上无法访问 robots.txt ，如果规则（包括使用通配符的规则）存在冲突， | ||||||||||||||||||||
| 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 。另请参阅 RFC 3492。 | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 | ||||||||||||||||||||
| /* | 等同于 / 。googlebot-news 遵循组 1
。以及一个详尽的常见问题解答列表 。因为它与网址中的字符匹配得更多，HTTPS 和 FTP
。常见格式为 <field>:<value><#optional-comment> 。一个冒号和一个值组成。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，例如 ，503 (service unavailable) 错误会导致非常频繁的重试操作。就会将该网站的 5xx 错误作为 404 错误处理 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。请在注释前面加上 # 字符 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，结尾的通配符会被忽略 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||||||||||||||||||
| 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 ， 相似热点中国建筑2024年1自制神奇雪糕：10分钟做出美味果汁雪糕《海兽之子》什么时候上映 播出时间重新定档郑钦文 奇迹成双 百年难遇迪亚比转会至勒沃库森 转会费约1.16亿人民币湖北恩施跪爬过街视频热传 摄影工作室员工内训被罚跪街云南保山：春节“不打烊” 项目施工忙中国国家卫健委：将“血浆置换”用于“抗衰老”违法违规 | ||||||||||||||||||||