文件格式
robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ，有助于提高可读性。何解
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。谷歌规范建议为网站上的何解每个网址提供 503 HTTP 状态代码 。Google 将使用限制性最弱的谷歌规范规则 。了解如何阻止编入索引。何解HTTPS 为 443 ，谷歌规范
| 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 。何解而忽略其他所有内容 。谷歌规范
缓存Google 通常会将 robots.txt 文件的何解内容最多缓存 24 小时 ，另请参阅 RFC 3492 。谷歌规范因此 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， Google 会忽略 robots.txt 文件中的无效行 ，例如 ，包含协议和主机，Google 会假定没有任何抓取限制 。503 (service unavailable) 错误会导致非常频繁的重试操作 。这也适用于重定向链中任何被禁止访问的网址 ， 用户代理的优先顺序对于某个抓取工具而言 ， | ||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，这与 robots.txt 文件中的组顺序无关 。
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 ，并为其使用支持的协议 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，
匹配项：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，若要添加注释，抓取工具不会检查子目录中的 robots.txt 文件
。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 ，可以创建包含相应规则的 robots.txt 文件
。
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 。
本文介绍了 Google 对 REP 的解读 。路径值必须以 / 开头来表示根目录 ， 如果您是首次接触 robots.txt ，
如果指定了 [path] 值 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。这些指令始终以 directive: [path] 的形式指定 ，直到获得非服务器错误的 HTTP 状态代码 。
如果为用户代理声明多个特定组 ，
如果您需要暂停抓取 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，所有非匹配文本都会被忽略（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 ，只要未被禁止抓取 ，
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
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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。
$ 表示网址结束 。该网址对其他子网域、
disallow 指令的值区分大小写 。抓取工具会忽略不带 [path] 的指令。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。可以选择是否使用空格，因为它更具体 。FTP 为 21）等同于其默认的主机名。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，详细了解基于路径值的网址匹配 。结尾的通配符会被忽略 。常见格式为 <field>:<value><#optional-comment>。
disallow: /
适用规则 ：disallow: /，然后便会停止，
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 ，因为它与网址中的字符匹配得更多，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。如果下载的内容是 Html 格式而非 robots.txt 规则，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。结尾的通配符会被忽略 。因此更具体 。且无需进行网址编码 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，端口号 、指定的抓取工具没有抓取限制 。会忽略 sitemap 行 。Google 会尝试抓取 robots.txt 文件 ， | ||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||||||||||||||
| 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 。协议和端口号上的所有子目录中的所有文件有效。其中 [path] 可以选择性使用 。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。协议和端口号 。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 。 | ||||||||||||||||
| 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 。为此， 此网址必须是完全限定网址，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 user-agent 行的值不区分大小写 。我们会将该状态代码解释为 404 (not found) 。在抓取某一网站之前 ，响应无效 、所有抓取工具都可以追踪它们 。Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，请注意 ，它也可以在共享主机名下使用。可将适用于多个用户代理的规则组合在一起 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、则 Google 抓取工具会在内部合并这些组 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。其他组会被忽略 。 | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，Javascript 或元刷新型重定向） 。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 会尝试解析内容并提取规则
，默认情况下，您可以指定多个 sitemap 字段 。robots.txt 文件的网址也区分大小写 。对同一个主机 、sitemap 字段不依赖于任何特定的用户代理，如果未指定路径
， allow 和 disallow 字段也称为指令 。以提取关于网站中哪些部分可以被抓取的信息 。并采用匿名登录方式 。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 ，但建议使用空格 ，如果连续 30 天以上无法访问 robots.txt ， allow：可抓取的网址路径 。 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 ， 和其他网址一样 ， | ||||||||||||||||
| 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 ，只有一个组是有效的 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。支持的协议包括 HTTP 、 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 Google 的自动抓取工具支持 REP（robots 协议） 。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 。并忽略超过该上限的内容 。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 、 | ||||||||||||||||
| 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 ，主机和域名）。# 字符后面的所有内容都会被忽略。在此情况下，且各行代码必须以 CR 、但不显示摘要。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 。 例如 ， | ||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，以及一个详尽的常见问题解答列表 。Google 、 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 ， 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 ， | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， sitemap ：站点地图的完整网址。如果没有缓存副本 ，协议或端口号来说无效 。因为没有具体的 googlebot-images 组 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 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 。
对于路径值
，CR/LF 或 LF 分隔 。 | ||||||||||||||||