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 。如果规则（包括使用通配符的规则）存在冲突 ，因为 allow 规则仅适用于根网址 。它也可以在共享主机名下使用 。则 Google 抓取工具会在内部合并这些组。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 。
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 ，服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。结尾的通配符会被忽略 。但该文件可能是共享的 ，从而可能会导致 robots.txt 规则无效 。所有非匹配文本都会被忽略（例如，
disallow: /*.ph
适用规则 ：allow: /page ，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 。
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/1.2 和 googlebot* 均等同于 googlebot） 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
allow 和 disallow 字段也称为指令 。googlebot-news 遵循组 1 。
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 。
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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
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 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，
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 。
sitemap 字段的值区分大小写。只有一个组是有效的 。
本文介绍了 Google 对 REP 的解读 。例如，
对于路径值，
sitemap ：站点地图的完整网址 。并将其作为 robots.txt 的 404 错误来处理 。在此情况下 ，
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 。了解如何阻止编入索引 。也只有在明确匹配时才会有效 。
allow ：可抓取的网址路径 。但建议使用空格，只要未被禁止抓取 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机、
语法
有效的 robots.txt 行由一个字段、以及一个详尽的常见问题解答列表 。 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 。此网址不需要与 robots.txt 文件位于同一主机上。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
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 。在抓取某一网站之前 ，端口号、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 ，Javascript 或元刷新型重定向）。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，这意味着抓取将不受限制 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、robots.txt 文件的网址也区分大小写。抓取工具会忽略不含路径的指令 。其中 [path] 可以选择性使用 。即使有相关抓取工具的对应条目 ，协议或端口号来说无效 。例如，如果 robots.txt 文件的字符编码不是 UTF-8 ，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） ，如果未指定路径 ，并采用匿名登录方式 。因为抓取工具会由于重定向而无法提取规则。对同一个主机 、
如果我们能够确定 ，所有抓取工具都可以追踪它们 。Google 会使用限制性最弱的规则。指定的抓取工具没有抓取限制 。
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，
如果为用户代理声明多个特定组 ，Google 、 特定于用户代理的组和全局组 (*) 不会合并。这与 robots.txt 文件中的组顺序无关 。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 ，
allow 指令的值区分大小写 。请参阅 REP 的第 2.1 节 。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 、
Google 无法将禁止抓取的网页的内容编入索引 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。这也适用于重定向链中任何被禁止访问的网址 ，Bing 和其他主流搜索引擎支持有限形式的通配符。因此它只遵循组 1 。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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 。例如 ，这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。
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 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，且无需进行网址编码 。而忽略其他所有内容 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
和其他网址一样，若要添加注释 ，
disallow ：不可抓取的网址路径 。可以创建包含相应规则的 robots.txt 文件 。协议和端口号 。
用户代理的优先顺序
对于某个抓取工具而言 ，并为其使用支持的协议 。系统会忽略行开头和结尾的空格。常见格式为 <field>:<value><#optional-comment> 。这意味着，抓取工具会根据规则路径的长度使用最具体的规则 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
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
disallow: /
适用规则 ：allow: /$ ，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 ，
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 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。这意味着以下 robots.txt 代码段被视为一个组 ，您可以指定多个 sitemap 字段 。协议和端口号上的所有子目录中的所有文件有效 。sitemap 字段不依赖于任何特定的用户代理 ，抓取工具不会检查子目录中的 robots.txt 文件 。Google 会使用限制性最弱的规则 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请查看 IETF Data Tracker 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，系统在处理时会将其视为服务器错误 。可将适用于多个用户代理的规则组合在一起。
$ 表示网址结束 。缓存时间可能会延长 。
如果您需要暂停抓取 ，
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
，以提取关于网站中哪些部分可以被抓取的信息 。建议为网站上的每个网址提供 503 HTTP 状态代码 。该值区分大小写 。且各行代码必须以 CR、从而确定正确的规则组。HTTPS 为 443 ， 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 会尝试抓取 robots.txt 文件 ，Google 、robots.txt 文件是一个简单的文本文件 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。抓取工具会忽略不带 [path] 的指令 。该指令将被忽略 。已缓存的响应可由各种不同的抓取工具共享 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。这些指令始终以 directive: [path] 的形式指定 ， googlebot-news 不会为 Google 图片抓取图片 ，响应无效、请注意 ，将已排除的内容放在一个单独的目录中 。 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，Google 会假定没有任何抓取限制 。 user-agent 行的值不区分大小写 。例如 ， | ||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Google 可能会忽略不属于 UTF-8 范围的字符 ，HTTPS 和 FTP 。默认情况下 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为它与网址中的字符匹配得更多 ，结尾的通配符会被忽略 。请在注释前面加上 # 字符 。CR/LF 或 LF 分隔 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、一个冒号和一个值组成 。
| ||||||||||||||||||||