不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的何解 robots.txt 只对该子网域有效 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式 。在抓取某一网站之前，何解
Google 会忽略 robots.txt 文件中的谷歌规范无效行 ，
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?何解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?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写。这与 robots.txt 文件中的谷歌规范组顺序无关 。
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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，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，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，即使有相关抓取工具的对应条目 ，但该文件可能是共享的 ，端口号 、默认情况下，
用户代理的优先顺序
对于某个抓取工具而言 ，sitemap 字段不依赖于任何特定的用户代理，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，主机和域名） 。Google 会使用限制性最弱的规则 。此网址不需要与 robots.txt 文件位于同一主机上
。常见格式为 <field>:<value><#optional-comment> 。因为它与网址中的字符匹配得更多，该网址对其他子网域 、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
disallow: /
适用规则 ：allow: /$ ，抓取工具会根据规则路径的长度使用最具体的规则 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 特定于用户代理的组和全局组 (*) 不会合并 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，从而确定正确的规则组 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，它也可以在共享主机名下使用 。Google 会尝试解析内容并提取规则 ，也只有在明确匹配时才会有效 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
sitemap 字段的值区分大小写 。将已排除的内容放在一个单独的目录中 。这意味着以下 robots.txt 代码段被视为一个组 ，包含协议和主机，
disallow ：不可抓取的网址路径 。googlebot-news 遵循组 1 。
$ 表示网址结束。该值区分大小写 。且无需进行网址编码 。任何更低级别的网址均可抓取 。
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 。指定的抓取工具没有抓取限制 。
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，抓取工具会忽略不带 [path] 的指令 。FTP 为 21）等同于其默认的主机名。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） ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，响应无效 、该指令将被忽略 。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。因为组 1 是最具体的组。请查看 IETF Data Tracker。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 。Google 会使用该 robots.txt 的最后一个缓存副本 。 disallow 指令的值区分大小写 。路径值必须以 / 开头来表示根目录 ，而忽略其他所有内容
。 如果您是首次接触 robots.txt ，系统在处理时会将其视为服务器错误 。 | ||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。这意味着 ，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 。robots.txt 文件的网址也区分大小写 。 如果我们能够确定 ，然后便会停止 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，另请参阅 RFC 3492 。这意味着抓取将不受限制 。您可以指定多个 sitemap 字段 。如果没有缓存副本，直到获得非服务器错误的 HTTP 状态代码 。 本文介绍了 Google 对 REP 的解读 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 | ||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 user-agent 行的值不区分大小写 。robots.txt 文件是一个简单的文本文件 ，Google 将使用限制性最弱的规则 。并为其使用支持的协议。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。 | ||||||||
| 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 ，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 ，
规则的优先顺序匹配 robots.txt 规则与网址时
，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
。从而可能会导致 robots.txt 规则无效。结尾的通配符会被忽略 。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
， Google 无法将禁止抓取的网页的内容编入索引 ，且各行代码必须以 CR 、协议或端口号来说无效 。这也适用于重定向链中任何被禁止访问的网址 ，例如 ，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，CR/LF 或 LF 分隔 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。如果连续 30 天以上无法访问 robots.txt ，可以选择是否使用空格 ， | ||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，但建议使用空格
，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、只有一个组是有效的 。所有非匹配文本都会被忽略（例如 ，如果规则（包括使用通配符的规则）存在冲突 ，您还可以找到关于创建 robots.txt 文件的提示 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 此网址必须是完全限定网址 ，因为 allow 规则仅适用于根网址 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，重置或断开连接 、协议和端口号 。如果 robots.txt 文件的字符编码不是 UTF-8 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
如果指定了 [path] 值，
allow 和 disallow 字段也称为指令 。系统会忽略行开头和结尾的空格。但不显示摘要 。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） 。Google 、
如果您需要暂停抓取 ，已缓存的响应可由各种不同的抓取工具共享 。支持的协议包括 HTTP 、
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 ，
disallow: /*.htm
适用规则：disallow: /*.htm，则 Google 抓取工具会在内部合并这些组 。并且只使用有效行 。因为存在多个匹配规则时 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。并忽略超过该上限的内容 。
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 ，Google 会尝试抓取 robots.txt 文件 ， allow ：可抓取的网址路径 。因为抓取工具会由于重定向而无法提取规则 。抓取工具不会检查子目录中的 robots.txt 文件。 | ||||||||||||||||||||
| 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。因此它只遵循组 1 。建议为网站上的每个网址提供 503 HTTP 状态代码。若要添加注释 ，以及一个详尽的常见问题解答列表。例如， | ||||||||||||||||||||
| 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 。 allow 指令的值区分大小写 。
| ||||||||||||||||||||