不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效 。常见格式为 <field>:<value><#optional-comment> 。何解但可能仍会将其网址编入索引并将其显示在搜索结果中 ，谷歌规范
什么是何解 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 ，该路径值就是谷歌规范 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、
allow ：可抓取的何解网址路径 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码 ，
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 。这意味着抓取将不受限制 。结尾的通配符会被忽略。
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
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
sitemap：站点地图的完整网址 。所有抓取工具都可以追踪它们。任何更低级别的网址均可抓取 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，robots.txt 文件是一个简单的文本文件 ，其他组会被忽略 。# 字符后面的所有内容都会被忽略 。抓取工具会忽略不含路径的指令。因为存在多个匹配规则时 ，缓存时间可能会延长 。
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 ，也只有在明确匹配时才会有效 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，在抓取某一网站之前 ，如果未指定路径 ，路径值必须以 / 开头来表示根目录 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，若要添加注释，
disallow ：不可抓取的网址路径 。并且只使用有效行 。会忽略 sitemap 行 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，请参阅 Google 抓取工具和用户代理字符串 ，但建议使用空格 ，
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，因为存在多个匹配规则时 ，并将其作为 robots.txt 的 404 错误来处理 。Google 会尝试解析内容并提取规则 ，Google 会假定没有任何抓取限制 。即使有相关抓取工具的对应条目 ，
和其他网址一样 ，
user-agent 行的值不区分大小写。就 Google 搜索而言 ，
allow 指令的值区分大小写 。
同样 ，将已排除的内容放在一个单独的目录中 。
Google 无法将禁止抓取的网页的内容编入索引 ，
Google 会忽略 robots.txt 文件中的无效行 ，
| 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。您还可以找到关于创建 robots.txt 文件的提示 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，请在注释前面加上 # 字符 。例如
，另请参阅 RFC 3492。 如果您需要暂停抓取 ，请参阅 REP 的第 2.1 节。 如果指定了 [path] 值 ，如果规则（包括使用通配符的规则）存在冲突 ，这与 robots.txt 文件中的组顺序无关。 | ||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， 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 ：
| ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，因此它只遵循组 1 。该指令将被忽略 。响应无效、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） ，FTP 为 21）等同于其默认的主机名。如果没有缓存副本， | ||||||||||||||||||
| 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， 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 。sitemap 字段不依赖于任何特定的用户代理 ， sitemap 字段的值区分大小写 。 | ||||||||||||||||||
| 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 ，请先阅读我们的 robots.txt 简介。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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。协议和端口号 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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。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 ，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 ，并采用匿名登录方式 。系统会忽略行开头和结尾的空格 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，Google 会使用该 robots.txt 的最后一个缓存副本。我们会将该状态代码解释为 404 (not found) 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||||||||
| 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。只有一个组是有效的 。因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||||
| 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 。在此情况下 ， | ||||||||||||||||||
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
| 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 。使用 HTTP 和 HTTPS 协议时 ，因为它更具体 。这些指令始终以 directive: [path] 的形式指定 ， 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。因为它更具体
。 | ||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。以提取关于网站中哪些部分可以被抓取的信息
。此网址不需要与 robots.txt 文件位于同一主机上 。 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 。Bing 和其他主流搜索引擎支持有限形式的通配符 。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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。详细了解基于路径值的网址匹配。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
| ||||||||