如果指定了 [path] 值 ，谷歌规范
Google 无法将禁止抓取的何解网页的内容编入索引，该网址对其他子网域 、谷歌规范以及一个详尽的何解常见问题解答列表。抓取工具会忽略不带 [path] 的谷歌规范指令 。Google 会尝试解析内容并提取规则 ，何解这意味着抓取将不受限制 。谷歌规范
allow ：可抓取的网址路径 。
$ 表示网址结束 。
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 。
对于路径值 ，也只有在明确匹配时才会有效 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，我们会将该状态代码解释为 404 (not found) 。因为 allow 规则仅适用于根网址 。有关原始草稿标准的信息 ，即使有相关抓取工具的对应条目，如果下载的内容是 Html 格式而非 robots.txt 规则 ， 例如 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
sitemap ：站点地图的完整网址。其他组会被忽略。robots.txt 文件是一个简单的文本文件 ，一个冒号和一个值组成 。了解如何阻止编入索引。
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 ，
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 。可以创建包含相应规则的 robots.txt 文件 。并且只使用有效行
。这也适用于重定向链中任何被禁止访问的网址 ，
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
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 。
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 。就会将该网站的 5xx 错误作为 404 错误处理 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），因为抓取工具会由于重定向而无法提取规则 。请参阅 REP 的第 2.1 节 。支持的协议包括 HTTP 、
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，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 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，# 字符后面的所有内容都会被忽略。 此网址必须是完全限定网址 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。另请参阅 RFC 3492 。请查看 IETF Data Tracker 。建议为网站上的每个网址提供 503 HTTP 状态代码 。如果未指定路径 ，sitemap 字段不依赖于任何特定的用户代理，所有非匹配文本都会被忽略（例如 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，googlebot-news 遵循组 1 。
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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。包含协议和主机 ，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 ，协议和端口号 。并采用匿名登录方式 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
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 。Google 、
disallow: /
适用规则 ：allow: /$，Google 会使用限制性最弱的规则。请注意 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。
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 。任何更低级别的网址均可抓取。它也可以在共享主机名下使用 。Google 会使用限制性最弱的规则。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，就 Google 搜索而言 ，您还可以找到关于创建 robots.txt 文件的提示 ，例如 ， 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 。这与 robots.txt 文件中的组顺序无关 。
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 ，请先阅读我们的 robots.txt 简介。结尾的通配符会被忽略 。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 。所有抓取工具都可以追踪它们。有助于提高可读性 。Google 可能会忽略不属于 UTF-8 范围的字符 ，其中 [path] 可以选择性使用 。从而可能会导致 robots.txt 规则无效 。并将其作为 robots.txt 的 404 错误来处理 。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 。为此 ，缓存时间可能会延长 。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 、
如果我们能够确定 ，但不显示摘要 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，对同一个主机、
disallow ：不可抓取的网址路径 。
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 ，但该文件可能是共享的 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
disallow: /folder
适用规则 ：allow: /folder ，
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，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
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 。主机和域名） 。
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 ，例如 ，例如
，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
Google 的自动抓取工具支持 REP（robots 协议）。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
| 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 。 | ||||||||||||||||||||||||||||
| 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 ，抓取工具会根据规则路径的长度使用最具体的规则 。这意味着以下 robots.txt 代码段被视为一个组 ，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 。 和其他网址一样 ，可将适用于多个用户代理的规则组合在一起。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，常见格式为 <field>:<value><#optional-comment> 。 googlebot-news 不会为 Google 图片抓取图片， | ||||||||||||||||||||||||||||
| /fish* | 等同于 /fish
。 allow 指令的值区分大小写 。 user-agent 行的值不区分大小写 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 。HTTPS 为 443 ，
| ||||||||||||||||||||||||||||