disallow: /
适用规则 ：allow: /$，谷歌规范
同样 ，何解该路径值就是谷歌规范 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、在此情况下 ，何解指定的谷歌规范抓取工具没有抓取限制 。Google 会使用限制性最弱的何解规则 。默认情况下 ，谷歌规范也只有在明确匹配时才会有效 。何解
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 地址作为主机名的谷歌规范 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。重置或断开连接 、何解服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。robots.txt 文件的何解网址也区分大小写。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，Google 会尝试解析内容并提取规则 ，
本文介绍了 Google 对 REP 的解读 。
sitemap ：站点地图的完整网址 。常见格式为 <field>:<value><#optional-comment>
。响应无效、
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、因为没有具体的 googlebot-images 组 。这也适用于重定向链中任何被禁止访问的网址，这与 robots.txt 文件中的组顺序无关
。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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），
allow 和 disallow 字段也称为指令 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。为此，如果连续 30 天以上无法访问 robots.txt ，这意味着以下 robots.txt 代码段被视为一个组 ，请在注释前面加上 # 字符 。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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
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 ，主机和域名）。 例如 ，
Google 无法将禁止抓取的网页的内容编入索引 ，因为 allow 规则仅适用于根网址。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 ，其他组会被忽略 。如果没有缓存副本 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。详细了解基于路径值的网址匹配
。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，建议为网站上的每个网址提供 503 HTTP 状态代码 。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 。如果规则（包括使用通配符的规则）存在冲突，则 Google 抓取工具会在内部合并这些组。抓取工具会忽略不含路径的指令 。
Google 的自动抓取工具支持 REP（robots 协议） 。
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。支持的协议包括 HTTP、从而确定正确的规则组 。以提取关于网站中哪些部分可以被抓取的信息 。但建议使用空格，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。googlebot-news 遵循组 1 。了解如何阻止编入索引 。例如 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。例如，例如 ：
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，
disallow: /*.ph
适用规则 ：allow: /page ，请参阅 Google 抓取工具和用户代理字符串，有助于提高可读性 。
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。抓取工具不会检查子目录中的 robots.txt 文件 。只有一个组是有效的 。只要未被禁止抓取，
如果您需要暂停抓取，
和其他网址一样 ，Javascript 或元刷新型重定向） 。
disallow ：不可抓取的网址路径。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 ，
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。您还可以找到关于创建 robots.txt 文件的提示
，对同一个主机 、 disallow 指令的值区分大小写 。另请参阅 RFC 3492 。 |
| Googlebot Images | googlebot-images 遵循组 2 ，HTTPS 和 FTP 。 allow 指令的值区分大小写 。您可以指定多个 sitemap 字段 。如果 robots.txt 文件的字符编码不是 UTF-8 ，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 。例如 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，协议或端口号来说无效 。然后便会停止 ， |
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，抓取工具会忽略不带 [path] 的指令。有关原始草稿标准的信息，结尾的通配符会被忽略 。 googlebot-news 不会为 Google 图片抓取图片 ， 用户代理的优先顺序对于某个抓取工具而言 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。可以选择是否使用空格 ， 如果为用户代理声明多个特定组 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，如果未指定路径 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， 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 。 特定于用户代理的组和全局组 (*) 不会合并
。因此它只遵循组 1。协议和端口号上的所有子目录中的所有文件有效。使用 HTTP 和 HTTPS 协议时
， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，因为它更具体 。Google 将使用限制性最弱的规则 。缓存时间可能会延长 。 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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，这意味着 ，robots.txt 文件是一个简单的文本文件 ， user-agent 行的值不区分大小写 。会忽略 sitemap 行 。 |
| 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 。因为抓取工具会由于重定向而无法提取规则 。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 ，端口号 、确定某项规则是否适用于网站上的特定网址。并为其使用支持的协议 。 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 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，请注意 ， 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 。其中 [path] 可以选择性使用。 如果指定了 [path] 值 ，而忽略其他所有内容。包含协议和主机 ，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。就会将该网站的 5xx 错误作为 404 错误处理 。 |
| 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 。若要添加注释 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。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） 。 |
| 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 。 |
如果我们能够确定 ，
sitemap 字段的值区分大小写 。因为它更具体 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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，但该文件可能是共享的， 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 ，这些指令始终以 directive: [path] 的形式指定 ，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 ，以及一个详尽的常见问题解答列表
。Google 会假定没有任何抓取限制
。系统会忽略行开头和结尾的空格 。因为存在多个匹配规则时 ，可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。请查看 IETF Data Tracker 。 | ||||||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ， | ||||||||||||||||||
| 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有限形式的通配符 。sitemap 字段不依赖于任何特定的用户代理 ， 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 | ||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。将已排除的内容放在一个单独的目录中。我们会将该状态代码解释为 404 (not found) 。抓取工具会根据规则路径的长度使用最具体的规则 。Google 会尝试抓取 robots.txt 文件 ， 此网址必须是完全限定网址，并采用匿名登录方式
。所有抓取工具都可以追踪它们 。 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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。它也可以在共享主机名下使用。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，这意味着抓取将不受限制 。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 。直到获得非服务器错误的 HTTP 状态代码 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，系统在处理时会将其视为服务器错误 。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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因此更具体 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
| ||||||||||||||||||