匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?何解parameters
/filename.php/
/filename.php5
/windows.PHP
语法
有效的何解 robots.txt 行由一个字段、
什么是谷歌规范 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 ，详细了解基于路径值的何解网址匹配 。系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较。请在注释前面加上 # 字符。何解则 Google 抓取工具会在内部合并这些组 。谷歌规范您可以指定多个 sitemap 字段 。何解
allow 指令的谷歌规范值区分大小写 。请参阅 Google 抓取工具和用户代理字符串 ，何解另请参阅 RFC 3492 。谷歌规范并且只使用有效行。何解
Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架
、
disallow ：不可抓取的网址路径 。以及一个详尽的常见问题解答列表
。
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
Google 无法将禁止抓取的网页的内容编入索引 ，我们会将该状态代码解释为 404 (not found) 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。 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 ，即使有相关抓取工具的对应条目，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"， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 对于路径值 ， |
| Googlebot Images | googlebot-images 遵循组 2，路径值必须以 / 开头来表示根目录 ，如果连续 30 天以上无法访问 robots.txt， |
| 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，但该文件可能是共享的 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，请注意 ，且无需进行网址编码 。 和其他网址一样 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， 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 ， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，且各行代码必须以 CR、结尾的通配符会被忽略 。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 ，
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 。常见格式为 <field>:<value><#optional-comment> 。因为存在多个匹配规则时 ，因为组 1 是最具体的组。robots.txt 文件的网址也区分大小写。因此更具体 。 此网址必须是完全限定网址 ，因为它更具体 。这与 robots.txt 文件中的组顺序无关 。系统会忽略行开头和结尾的空格 。因为它与网址中的字符匹配得更多 ，CR/LF 或 LF 分隔。有助于提高可读性 。Google 会使用限制性最弱的规则。
如果为用户代理声明多个特定组 ，
| 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 。指定的抓取工具没有抓取限制。例如，已缓存的响应可由各种不同的抓取工具共享 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，因为抓取工具会由于重定向而无法提取规则 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。其中 [path] 可以选择性使用 。 如果您需要暂停抓取 ，系统在处理时会将其视为服务器错误 。使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||||||||
| /$ | 仅匹配根目录。其他组会被忽略。 Google 会忽略 robots.txt 文件中的无效行 ，robots.txt 文件是一个简单的文本文件 ，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），Google 会尝试解析内容并提取规则 ，在抓取某一网站之前 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 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：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
| ||||||||||||||||||
| /* | 等同于 / 。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。只要未被禁止抓取 ， | ||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。 robots.txt 文件中列出的规则只适用于该文件所在的主机、 allow ：可抓取的网址路径 。googlebot-news 遵循组 1。 allow 和 disallow 字段也称为指令 。可以选择是否使用空格 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 ，例如，在此情况下 ，若要添加注释 ， | ||||||||||||||||||
| 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， disallow 指令的值区分大小写 。协议或端口号来说无效 。从而可能会导致 robots.txt 规则无效 。HTTPS 和 FTP 。只有一个组是有效的。抓取工具会忽略不含路径的指令 。任何更低级别的网址均可抓取 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。建议为网站上的每个网址提供 503 HTTP 状态代码。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 、确定某项规则是否适用于网站上的特定网址 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 sitemap ：站点地图的完整网址 。重置或断开连接、 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 。如果下载的内容是 Html 格式而非 robots.txt 规则，Google 可能会忽略不属于 UTF-8 范围的字符
， | ||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。 | ||||||||||||||||||
| 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 。 | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，这也适用于重定向链中任何被禁止访问的网址 ，端口号 、 同样 ，因为存在多个匹配规则时 ，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，您还可以找到关于创建 robots.txt 文件的提示，但不显示摘要。Google 会尝试抓取 robots.txt 文件，它也可以在共享主机名下使用 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。就会将该网站的 5xx 错误作为 404 错误处理 。 | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，并忽略超过该上限的内容
。请查看 IETF Data Tracker 。请先阅读我们的 robots.txt 简介 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。结尾的通配符会被忽略。所有非匹配文本都会被忽略（例如 ，因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。 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
。该指令将被忽略。
规则的优先顺序匹配 robots.txt 规则与网址时 ，这意味着抓取将不受限制 。 googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||||||||||||
| 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 。Google 、 Google 的自动抓取工具支持 REP（robots 协议）
。 | ||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。协议和端口号上的所有子目录中的所有文件有效 。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 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。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，主机和域名）。抓取工具会根据规则路径的长度使用最具体的规则 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，请参阅 REP 的第 2.1 节。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，可将适用于多个用户代理的规则组合在一起 。缓存时间可能会延长 。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 。Javascript 或元刷新型重定向） 。而忽略其他所有内容 。503 (service unavailable) 错误会导致非常频繁的重试操作。 用户代理的优先顺序对于某个抓取工具而言 ，并为其使用支持的协议。 特定于用户代理的组和全局组 (*) 不会合并 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，响应无效 、协议和端口号 。 | ||||||||||||||||||
| /fish* | 等同于 /fish 。因为它更具体 。Google 会使用限制性最弱的规则
。 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 。 如果指定了 [path] 值 ，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 ， | ||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，直到获得非服务器错误的 HTTP 状态代码 。
$ 表示网址结束。
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 。但建议使用空格，并采用匿名登录方式 。