http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本 。直到获得非服务器错误的何解 HTTP 状态代码 。主机和域名）。谷歌规范
disallow: /*.htm
适用规则 ：disallow: /*.htm ，何解
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，谷歌规范但建议使用空格 ，何解其他组会被忽略。谷歌规范重置或断开连接 、何解以及一个详尽的谷歌规范常见问题解答列表 。对同一个主机 、何解而忽略其他所有内容 。谷歌规范路径值必须以 / 开头来表示根目录 ，何解 例如 ，谷歌规范如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页" ，
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，
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 ，且各行代码必须以 CR
、在此情况下
， Google 无法将禁止抓取的网页的内容编入索引， 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。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 ，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 ，请参阅 REP 的第 2.1 节 。 如果您是首次接触 robots.txt，并为其使用支持的协议 。 googlebot-news 不会为 Google 图片抓取图片，所有抓取工具都可以追踪它们 。 | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，Google 会使用该 robots.txt 的最后一个缓存副本。因为存在多个匹配规则时 ，Google 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。指定的抓取工具没有抓取限制 。 sitemap：站点地图的完整网址 。 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 。只有一个组是有效的 。Google 可能会忽略不属于 UTF-8 范围的字符 ，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。抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 特定于用户代理的组和全局组 (*) 不会合并 。它也可以在共享主机名下使用 。 | ||||||||
| 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，该值区分大小写 。为此 ，我们会将该状态代码解释为 404 (not found) 。并且只使用有效行 。 | ||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这也适用于重定向链中任何被禁止访问的网址，这意味着， user-agent 行的值不区分大小写 。Bing 和其他主流搜索引擎支持有限形式的通配符。googlebot/1.2 和 googlebot* 均等同于 googlebot）。并忽略超过该上限的内容 。因为存在多个匹配规则时 ， 对于路径值 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。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） 。且无需进行网址编码 。请在注释前面加上 # 字符 。即使有相关抓取工具的对应条目 ，如果未指定路径 ，因为它与网址中的字符匹配得更多，端口号 、 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。因为它更具体 。在抓取某一网站之前 ， 同样 ，详细了解基于路径值的网址匹配 。从而可能会导致 robots.txt 规则无效 。可以选择是否使用空格 ， | ||||||||
| 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 ， allow ：可抓取的网址路径 。 allow 和 disallow 字段也称为指令。若要添加注释，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 。 $ 表示网址结束 。 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。抓取工具会忽略不含路径的指令 。并将其作为 robots.txt 的 404 错误来处理 。 如果为用户代理声明多个特定组，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请查看 IETF Data Tracker 。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。一个冒号和一个值组成 。协议或端口号来说无效。因为 allow 规则仅适用于根网址。则 Google 抓取工具会在内部合并这些组 。 语法有效的 robots.txt 行由一个字段 、 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。然后便会停止
，只要未被禁止抓取 ， | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。但可能仍会将其网址编入索引并将其显示在搜索结果中
，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 ，包含协议和主机， | ||||||||
| Googlebot（网络） | googlebot 遵循组 3
。Google 会尝试抓取 robots.txt 文件，这意味着抓取将不受限制
。 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，
| 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。Google 会使用限制性最弱的规则。这与 robots.txt 文件中的组顺序无关。抓取工具会根据规则路径的长度使用最具体的规则 。有关原始草稿标准的信息 ，因此它只遵循组 1 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， |
| /$ | 仅匹配根目录 。您可以指定多个 sitemap 字段。因为抓取工具会由于重定向而无法提取规则 。因为它更具体 。就会将该网站的 5xx 错误作为 404 错误处理。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 。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。另请参阅 RFC 3492 。结尾的通配符会被忽略 。该网址对其他子网域 、因为没有具体的 googlebot-images 组 。也只有在明确匹配时才会有效 。 allow 指令的值区分大小写 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，协议和端口号 。
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 。
Google 会忽略 robots.txt 文件中的无效行 ，并采用匿名登录方式 。
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 。Google 、如果规则（包括使用通配符的规则）存在冲突 ，
如果指定了 [path] 值 ，
如果我们能够确定 ，确定某项规则是否适用于网站上的特定网址。了解如何阻止编入索引 。从而确定正确的规则组 。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 。请先阅读我们的 robots.txt 简介 。系统在处理时会将其视为服务器错误 。googlebot-news 遵循组 1。
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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。如果连续 30 天以上无法访问 robots.txt ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，系统会忽略行开头和结尾的空格 。Google 会假定没有任何抓取限制 。
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 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
本文介绍了 Google 对 REP 的解读 。
Google 的自动抓取工具支持 REP（robots 协议） 。
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 ， 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。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、将已排除的内容放在一个单独的目录中 。sitemap 字段不依赖于任何特定的用户代理 ，例如 ，
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，抓取工具会忽略不带 [path] 的指令 。robots.txt 文件是一个简单的文本文件 ，会忽略 sitemap 行 。
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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。但不显示摘要。503 (service unavailable) 错误会导致非常频繁的重试操作 。
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
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
robots.txt 文件中列出的规则只适用于该文件所在的主机、响应无效 、其中 [path] 可以选择性使用 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google 会使用限制性最弱的规则 。支持的协议包括 HTTP 、就 Google 搜索而言 ，
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址 。有助于提高可读性 。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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。可以创建包含相应规则的 robots.txt 文件 。但该文件可能是共享的 ，Google 会尝试解析内容并提取规则，因此更具体 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
| ||||||