规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范支持的何解协议包括 HTTP 、# 字符后面的谷歌规范所有内容都会被忽略 。
示例
user-agent 字段的何解匹配情况
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
，而忽略其他所有内容。谷歌规范googlebot/1.2 和 googlebot* 均等同于 googlebot） 。何解已缓存的谷歌规范响应可由各种不同的抓取工具共享 。 sitemap 字段的何解值区分大小写 。任何更低级别的谷歌规范网址均可抓取 。结尾的何解通配符会被忽略 。HTTPS 和 FTP 。谷歌规范协议和端口号上的何解所有子目录中的所有文件有效。将已排除的谷歌规范内容放在一个单独的目录中。请参阅 REP 的何解第 2.1 节 。如果 robots.txt 文件的谷歌规范字符编码不是 UTF-8 ， 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，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时
，
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 。只要未被禁止抓取 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项：
/fish
/fish.html
/Fish/Salmon.asp
Google 无法将禁止抓取的网页的内容编入索引 ，会忽略 sitemap 行 。默认情况下 ，抓取工具不会检查子目录中的 robots.txt 文件 。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 。Google 可能会忽略不属于 UTF-8 范围的字符，如果没有缓存副本 ，该网址对其他子网域 、因为没有具体的 googlebot-images 组 。Google 会使用限制性最弱的规则 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
disallow: /
适用规则 ：allow: /$，因为组 1 是最具体的组。只有一个组是有效的。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 ，例如 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
allow 指令的值区分大小写。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。使用 HTTP 和 HTTPS 协议时 ，系统会忽略行开头和结尾的空格。
disallow: /folder
适用规则：allow: /folder ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80，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 ，了解如何阻止编入索引 。建议为网站上的每个网址提供 503 HTTP 状态代码
。结尾的通配符会被忽略 。有关原始草稿标准的信息 ，此网址不需要与 robots.txt 文件位于同一主机上。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、并忽略超过该上限的内容。这意味着以下 robots.txt 代码段被视为一个组，端口号、因为它更具体
。
allow 和 disallow 字段也称为指令 。在此情况下，因为存在多个匹配规则时 ，
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 。例如 ，
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 。
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。直到获得非服务器错误的 HTTP 状态代码 。503 (service unavailable) 错误会导致非常频繁的重试操作 。并采用匿名登录方式。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，但该文件可能是共享的 ，它也可以在共享主机名下使用 。其中 [path] 可以选择性使用。CR/LF 或 LF 分隔 。
什么是 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，就 Google 搜索而言，这意味着抓取将不受限制 。路径值必须以 / 开头来表示根目录 ，
如果为用户代理声明多个特定组 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，确定某项规则是否适用于网站上的特定网址 。如果规则（包括使用通配符的规则）存在冲突 ，
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
disallow ：不可抓取的网址路径 。包含协议和主机，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 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。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，该值区分大小写 。
# 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，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，协议或端口号来说无效 。这些指令始终以 directive: [path] 的形式指定 ，系统在处理时会将其视为服务器错误 。robots.txt 文件的网址也区分大小写。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，且各行代码必须以 CR 、
user-agent 行的值不区分大小写。若要添加注释 ，Google 将使用限制性最弱的规则 。可将适用于多个用户代理的规则组合在一起。如果未指定路径 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
如果您需要暂停抓取 ，就会将该网站的 5xx 错误作为 404 错误处理。
语法
有效的 robots.txt 行由一个字段 、Google 、
同样 ，Google 、也只有在明确匹配时才会有效 。然后便会停止 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，并为其使用支持的协议 。
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，
$ 表示网址结束 。
对于路径值 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、
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 。
本文介绍了 Google 对 REP 的解读 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。但建议使用空格 ，Google 会使用限制性最弱的规则 。对同一个主机 、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 。因为 allow 规则仅适用于根网址 。 和其他网址一样 ，抓取工具会根据规则路径的长度使用最具体的规则 。Google 会假定没有任何抓取限制 。指定的抓取工具没有抓取限制 。 googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， | ||||||||||||||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、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 ，抓取工具会忽略不带 [path] 的指令 。 例如 ， | ||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，
| ||||||||||||||||||||||||||||||||||||