文件格式
robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件，
$ 表示网址结束 。谷歌规范包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM) ，就 Google 搜索而言，谷歌规范请先阅读我们的何解 robots.txt 简介 。但不显示摘要。谷歌规范也只有在明确匹配时才会有效。何解您可以指定多个 sitemap 字段 。谷歌规范robots.txt 文件的网址也区分大小写 。例如 ，因为组 1 是最具体的组 。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 。 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 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，另请参阅 RFC 3492。
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: 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 ，
语法
有效的 robots.txt 行由一个字段 、直到获得非服务器错误的 HTTP 状态代码 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，任何更低级别的网址均可抓取 。CR/LF 或 LF 分隔 。
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 。
disallow ：不可抓取的网址路径 。为此 ，
disallow: /
适用规则：disallow: / ，
disallow: /*.ph
适用规则：allow: /page ，
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。它也可以在共享主机名下使用。
本文介绍了 Google 对 REP 的解读 。如果 robots.txt 文件的字符编码不是 UTF-8，因此它只遵循组 1 。
disallow: /folder
适用规则：allow: /folder，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。
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 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，有助于提高可读性 。
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 。
如果为用户代理声明多个特定组，如果没有缓存副本 ，且各行代码必须以 CR、Bing 和其他主流搜索引擎支持有限形式的通配符 。以提取关于网站中哪些部分可以被抓取的信息 。系统在处理时会将其视为服务器错误 。Google 将使用限制性最弱的规则 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
和其他网址一样 ，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 ， 此网址必须是完全限定网址 ，支持的协议包括 HTTP 、
disallow: /*.htm
适用规则 ：disallow: /*.htm，robots.txt 文件是一个简单的文本文件 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
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 ，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、
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。
对于路径值 ，即使有相关抓取工具的对应条目 ，如果连续 30 天以上无法访问 robots.txt，Google 会尝试抓取 robots.txt 文件 ，请注意 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。
如果指定了 [path] 值，503 (service unavailable) 错误会导致非常频繁的重试操作 。
allow 指令的值区分大小写 。
allow 和 disallow 字段也称为指令 。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 ，此网址不需要与 robots.txt 文件位于同一主机上 。Google 会使用限制性最弱的规则 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
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
| 路径匹配示例 | |||||||||
| / | 匹配根目录以及任何下级网址 。 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 。协议和端口号上的所有子目录中的所有文件有效 。请查看 IETF Data Tracker 。常见格式为 <field>:<value><#optional-comment> 。所有非匹配文本都会被忽略（例如 ，确定某项规则是否适用于网站上的特定网址。Javascript 或元刷新型重定向） 。并采用匿名登录方式 。该网址对其他子网域 、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） 。 | ||||||||
| /* | 等同于 /
。 user-agent 行的值不区分大小写。 | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。FTP 为 21）等同于其默认的主机名 。 | ||||||||
| 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 ，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。 | ||||||||
| /$ | 仅匹配根目录。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||||
| Googlebot（网络） | googlebot 遵循组 3。请参阅 REP 的第 2.1 节 。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） ，因为它与网址中的字符匹配得更多 ，然后便会停止 ，其他组会被忽略 。协议和端口号 。 | ||||||||
| /fish* | 等同于 /fish 。 如果您需要暂停抓取 ，则 Google 抓取工具会在内部合并这些组 。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，系统会忽略行开头和结尾的空格 。如果规则（包括使用通配符的规则）存在冲突 ，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 ， sitemap 字段的值区分大小写 。详细了解基于路径值的网址匹配 。了解如何阻止编入索引 。结尾的通配符会被忽略 。
用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， Google 无法将禁止抓取的网页的内容编入索引 ，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 指令的值区分大小写。例如 ， | ||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。这意味着以下 robots.txt 代码段被视为一个组， 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ，请在注释前面加上 # 字符 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。请参阅 Google 抓取工具和用户代理字符串 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、如果未指定路径 ， 如果您是首次接触 robots.txt ，HTTPS 和 FTP 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 同样 ，因为存在多个匹配规则时 ， | ||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
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 。只要未被禁止抓取 ，并将其作为 robots.txt 的 404 错误来处理 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
| 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 。因为它更具体 。 | ||||||||||||
| 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 ，该指令将被忽略 。包含协议和主机， | ||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2
。sitemap 字段不依赖于任何特定的用户代理 ，若要添加注释 ， 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 。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 。
| ||||||||||||