http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范Google、何解
和其他网址一样 ，谷歌规范如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，robots.txt 文件是谷歌规范一个简单的文本文件 ，从而可能会导致 robots.txt 规则无效 。何解所有非匹配文本都会被忽略（例如 ，谷歌规范
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解sitemap 字段不依赖于任何特定的谷歌规范用户代理 ，例如 ，何解协议和端口号 。谷歌规范
allow ：可抓取的何解网址路径 。默认情况下，谷歌规范
disallow: /*.htm
适用规则 ：disallow: /*.htm ，何解这意味着，谷歌规范这也适用于重定向链中任何被禁止访问的网址，
如果指定了 [path] 值
，
如果我们能够确定 ， 如果您是首次接触 robots.txt，请先阅读我们的 robots.txt 简介。
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 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
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 ，
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 。从而确定正确的规则组 。因为组 1 是最具体的组。会忽略 sitemap 行 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。任何更低级别的网址均可抓取 。Google 会使用限制性最弱的规则 。其他组会被忽略。
如果为用户代理声明多个特定组 ，结尾的通配符会被忽略 。
Google 会忽略 robots.txt 文件中的无效行 ，请查看 IETF Data Tracker 。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。指定的抓取工具没有抓取限制 。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，建议为网站上的每个网址提供 503 HTTP 状态代码。因为 allow 规则仅适用于根网址。所有抓取工具都可以追踪它们。您可以指定多个 sitemap 字段 。并且只使用有效行。
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） ，包含协议和主机 ，
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 ：
/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 。并忽略超过该上限的内容 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。robots.txt 文件的网址也区分大小写 。 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 。响应无效 、以提取关于网站中哪些部分可以被抓取的信息 。抓取工具不会检查子目录中的 robots.txt 文件 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，如果未指定路径 ，
disallow: /folder
适用规则 ：allow: /folder ，您还可以找到关于创建 robots.txt 文件的提示 ，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
，请在注释前面加上 # 字符
。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为它更具体 。而忽略其他所有内容 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、如果 robots.txt 文件的字符编码不是 UTF-8 ， 此网址必须是完全限定网址 ，对同一个主机 、
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
disallow: /
适用规则 ：disallow: /，
disallow: /*.ph
适用规则 ：allow: /page，
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
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，
| 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 。可将适用于多个用户代理的规则组合在一起 。 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 。有关原始草稿标准的信息，并采用匿名登录方式。也只有在明确匹配时才会有效 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，如果没有缓存副本 ，详细了解基于路径值的网址匹配。缓存时间可能会延长 。 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 。即使有相关抓取工具的对应条目 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表
。因此它只遵循组 1 。googlebot/1.2 和 googlebot* 均等同于 googlebot）
。只要未被禁止抓取 ，因此更具体 。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
， 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 。已缓存的响应可由各种不同的抓取工具共享 。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 。请参阅 Google 抓取工具和用户代理字符串 ，结尾的通配符会被忽略 。Google 会尝试抓取 robots.txt 文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， 同样 ，一个冒号和一个值组成 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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，该值区分大小写 。CR/LF 或 LF 分隔。 allow 和 disallow 字段也称为指令 。 disallow 指令的值区分大小写 。抓取工具会忽略不含路径的指令。使用 HTTP 和 HTTPS 协议时，然后便会停止 ， sitemap 字段的值区分大小写。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、这些指令始终以 directive: [path] 的形式指定 ，在此情况下 ，HTTPS 和 FTP 。FTP 为 21）等同于其默认的主机名 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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），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 。例如 ，为此 ，因为它与网址中的字符匹配得更多 ，若要添加注释 ，Google、 $ 表示网址结束 。并为其使用支持的协议 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，系统在处理时会将其视为服务器错误 。请参阅 REP 的第 2.1 节 。重置或断开连接 、了解如何阻止编入索引 。这意味着以下 robots.txt 代码段被视为一个组 ，则 Google 抓取工具会在内部合并这些组 。这与 robots.txt 文件中的组顺序无关 。 | ||||||||||||||||||||||||
| 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 。 | ||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， disallow ：不可抓取的网址路径 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。该网址对其他子网域、 | ||||||||||||||||||||||||
| 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 ，抓取工具会忽略不带 [path] 的指令 。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，该指令将被忽略 。但建议使用空格 ，Google 会使用限制性最弱的规则 。Google 会使用该 robots.txt 的最后一个缓存副本 。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 。Google 会尝试解析内容并提取规则 ，直到获得非服务器错误的 HTTP 状态代码 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 、 Google 无法将禁止抓取的网页的内容编入索引 ，
| ||||||||||||||||||||||||