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 ，在抓取某一网站之前 ，何解这意味着 ，谷歌规范Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段 。
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，获取可在 robots.txt 文件中使用的何解用户代理字符串的完整列表 。
语法
有效的谷歌规范 robots.txt 行由一个字段 、Google 、何解只要未被禁止抓取 ，谷歌规范它也可以在共享主机名下使用 。何解FTP 为 21）等同于其默认的谷歌规范主机名 。就会将该网站的 5xx 错误作为 404 错误处理 。例如 ，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 ，Google 会尝试抓取 robots.txt 文件 ，只有一个组是有效的。
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 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。指定的抓取工具没有抓取限制 。Google 会使用限制性最弱的规则 。
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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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。从而可能会导致 robots.txt 规则无效。 例如 ，因为没有具体的 googlebot-images 组
。并为其使用支持的协议 。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），
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 、
disallow: /
适用规则 ：disallow: / ，
disallow: /
适用规则 ：allow: /$，
如果为用户代理声明多个特定组 ，也只有在明确匹配时才会有效 。您还可以找到关于创建 robots.txt 文件的提示 ，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。将已排除的内容放在一个单独的目录中 。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 ，
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。
disallow 指令的值区分大小写。
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址 。该值区分大小写 。 | ||||||
| 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/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， 如果指定了 [path] 值 ，因为存在多个匹配规则时 ，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 。抓取工具不会检查子目录中的 robots.txt 文件 。您可以指定多个 sitemap 字段 。因为组 1 是最具体的组 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，端口号 、 allow 和 disallow 字段也称为指令 。另请参阅 RFC 3492 。 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 。其他组会被忽略
。 sitemap ：站点地图的完整网址 。503 (service unavailable) 错误会导致非常频繁的重试操作 。这也适用于重定向链中任何被禁止访问的网址 ，我们会将该状态代码解释为 404 (not found) 。为此，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为 allow 规则仅适用于根网址。例如 ，如果没有缓存副本 ，对同一个主机 、 同样，但可能仍会将其网址编入索引并将其显示在搜索结果中 ， | ||||||
| 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。默认情况下， | ||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，并忽略超过该上限的内容 。 disallow ：不可抓取的网址路径 。 | ||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，确定某项规则是否适用于网站上的特定网址。 | ||||||
| Googlebot Images | googlebot-images 遵循组 2 ，因为它更具体 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、robots.txt 文件的网址也区分大小写 。有助于提高可读性 。 如果您是首次接触 robots.txt ， 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 robots.txt 文件的字符编码不是 UTF-8 ，抓取工具会忽略不含路径的指令 。 | ||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。从而确定正确的规则组。支持的协议包括 HTTP、该网址对其他子网域
、 sitemap 字段的值区分大小写。请查看 IETF Data Tracker 。 | ||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，常见格式为 <field>:<value><#optional-comment>。
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：
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，
user-agent 行的值不区分大小写 。有关原始草稿标准的信息，Google 抓取工具会下载并解析该网站的 robots.txt 文件， 此网址必须是完全限定网址，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 ，任何更低级别的网址均可抓取 。直到获得非服务器错误的 HTTP 状态代码。重置或断开连接 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
和其他网址一样 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、但该文件可能是共享的，
disallow: /folder
适用规则 ：allow: /folder ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，详细了解基于路径值的网址匹配 。使用 HTTP 和 HTTPS 协议时 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
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 。抓取工具会忽略不带 [path] 的指令 。就 Google 搜索而言 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
allow ：可抓取的网址路径 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。
| 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 。响应无效
、 googlebot-news 不会为 Google 图片抓取图片 ，路径值必须以 / 开头来表示根目录 ， 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， 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。Google 会使用限制性最弱的规则 。包含协议和主机 ，若要添加注释 ，CR/LF 或 LF 分隔 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， 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 。抓取工具会使用标准 RETR (RETRIEVE) 命令
，googlebot-news 遵循组 1 。所有非匹配文本都会被忽略（例如 ，所有抓取工具都可以追踪它们 。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） 。 | ||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。HTTPS 为 443
，请参阅 Google 抓取工具和用户代理字符串 ， $ 表示网址结束 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。# 字符后面的所有内容都会被忽略 。 | ||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3。请先阅读我们的 robots.txt 简介 。一个冒号和一个值组成
。因为存在多个匹配规则时
，如果连续 30 天以上无法访问 robots.txt
，Google 会尝试解析内容并提取规则，Google 将使用限制性最弱的规则。 | ||||||||||||||||||||||