和其他网址一样，谷歌规范
user-agent 行的何解值不区分大小写
。因为它更具体。谷歌规范该网址对其他子网域 、何解这意味着
，谷歌规范Javascript 或元刷新型重定向） 。何解 googlebot-news 不会为 Google 图片抓取图片
，谷歌规范
匹配项
：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
# 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 ，该指令将被忽略 。Google 会尝试解析内容并提取规则 ，
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 ，
| 示例情况 | |||||||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p， 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：
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，Google 会使用该 robots.txt 的最后一个缓存副本 。这意味着以下 robots.txt 代码段被视为一个组 ，Google 会尝试抓取 robots.txt 文件 ，且各行代码必须以 CR 、这也适用于重定向链中任何被禁止访问的网址 ， | ||||||||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，请查看 IETF Data Tracker 。 | ||||||||||||||||||||||||||||||||||||
| ftp://example.com/robots.txt | 适用于
： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||||||||||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于
： http://212.96.82.21/ 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。且无需进行网址编码 。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 ，FTP 为 21）等同于其默认的主机名 。并为其使用支持的协议 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 语法有效的 robots.txt 行由一个字段、 例如 ， 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 ， 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。请先阅读我们的 robots.txt 简介。因为它与网址中的字符匹配得更多 ，系统会忽略行开头和结尾的空格。从而确定正确的规则组 。支持的协议包括 HTTP 、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 ，响应无效 、已缓存的响应可由各种不同的抓取工具共享 。该值区分大小写 。 | ||||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ， $ 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 ， | ||||||||||||||||||||||||||||||||||||
| 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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 、缓存时间可能会延长。只要未被禁止抓取 ， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 如果为用户代理声明多个特定组 ，并采用匿名登录方式 。详细了解基于路径值的网址匹配 。请参阅 REP 的第 2.1 节 。包含协议和主机 ，在此情况下 ，然后便会停止，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，即使有相关抓取工具的对应条目 ， | ||||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。确定某项规则是否适用于网站上的特定网址。 匹配项 ： /filename.php /folder/filename.php 不匹配项： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。并忽略超过该上限的内容 。 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 。因此更具体 。所有抓取工具都可以追踪它们 。我们会将该状态代码解释为 404 (not found) 。 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 。robots.txt 文件的网址也区分大小写。例如 ， | ||||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。使用 HTTP 和 HTTPS 协议时 ，因为存在多个匹配规则时 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。系统在处理时会将其视为服务器错误。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， | ||||||||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||||||||||||||||||||||||||||||||||
| 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 ，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，主机和域名） 。因为存在多个匹配规则时 ，Google 、 对于路径值，例如 ，会忽略 sitemap 行 。对同一个主机 、结尾的通配符会被忽略 。 | ||||||||||||||||||||||||||||||||||||
| 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。在抓取某一网站之前，其中 [path] 可以选择性使用。 此网址必须是完全限定网址 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、若要添加注释 ， disallow ：不可抓取的网址路径 。这些指令始终以 directive: [path] 的形式指定 ，但不显示摘要 。Google 会假定没有任何抓取限制 。但可能仍会将其网址编入索引并将其显示在搜索结果中，其他组会被忽略 。如果下载的内容是 Html 格式而非 robots.txt 规则 ， 本文介绍了 Google 对 REP 的解读 。抓取工具会忽略不带 [path] 的指令 。Bing 和其他主流搜索引擎支持有限形式的通配符。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 Google 会忽略 robots.txt 文件中的无效行 ， 特定于用户代理的组和全局组 (*) 不会合并。HTTPS 和 FTP。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 。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 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
allow 指令的值区分大小写 。可以创建包含相应规则的 robots.txt 文件。
Google 的自动抓取工具支持 REP（robots 协议）
。这与 robots.txt 文件中的组顺序无关 。