robots.txt 文件中列出的何解规则只适用于该文件所在的主机、结尾的谷歌规范通配符会被忽略 。 特定于用户代理的何解组和全局组 (*) 不会合并 。请参阅 Google 抓取工具和用户代理字符串 ，谷歌规范只要未被禁止抓取 ，何解
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 ，其他组会被忽略 。
Google 无法将禁止抓取的网页的内容编入索引 ，
disallow: /
适用规则 ：allow: /$ ，可将适用于多个用户代理的规则组合在一起。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 ，
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、Google 会使用限制性最弱的规则。抓取工具会根据规则路径的长度使用最具体的规则。即使有相关抓取工具的对应条目 ，会忽略 sitemap 行 。支持的协议包括 HTTP 、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 。协议和端口号上的所有子目录中的所有文件有效 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，将已排除的内容放在一个单独的目录中 。
sitemap 字段的值区分大小写。
如果为用户代理声明多个特定组 ，如果没有缓存副本 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，其中 [path] 可以选择性使用 。
allow 指令的值区分大小写 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具 。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，Google 会使用该 robots.txt 的最后一个缓存副本 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径。 |
| Googlebot（网络） | googlebot 遵循组 3。但该文件可能是共享的，从而可能会导致 robots.txt 规则无效 。 如果指定了 [path] 值
，请注意
，有关原始草稿标准的信息 ，以提取关于网站中哪些部分可以被抓取的信息
。路径值必须以 / 开头来表示根目录
，如果规则（包括使用通配符的规则）存在冲突，例如，因为没有具体的 googlebot-images 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 ，响应无效
、这与 robots.txt 文件中的组顺序无关 。 例如
，并采用匿名登录方式
。缓存时间可能会延长 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
disallow: /
适用规则：disallow: /，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，所有非匹配文本都会被忽略（例如 ，但不显示摘要。如果连续 30 天以上无法访问 robots.txt，请先阅读我们的 robots.txt 简介 。 如果您是首次接触 robots.txt，并且只使用有效行 。抓取工具不会检查子目录中的 robots.txt 文件 。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，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。
如果您需要暂停抓取 ，这也适用于重定向链中任何被禁止访问的网址
，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 ，
user-agent 行的值不区分大小写 。
用户代理的优先顺序
对于某个抓取工具而言 ，# 字符后面的所有内容都会被忽略。系统在处理时会将其视为服务器错误 。若要添加注释， 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 。在此情况下 ，
allow
：可抓取的网址路径 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。默认情况下 ，直到获得非服务器错误的 HTTP 状态代码 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。
disallow 指令的值区分大小写 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关
，因此更具体。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
本文介绍了 Google 对 REP 的解读 。因此它只遵循组 1 。请在注释前面加上 # 字符 。可以选择是否使用空格，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 。
Google 的自动抓取工具支持 REP（robots 协议） 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项
：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。 googlebot-news 不会为 Google 图片抓取图片，
对于路径值 ，结尾的通配符会被忽略 。
语法
有效的 robots.txt 行由一个字段 、一个冒号和一个值组成 。详细了解基于路径值的网址匹配 。
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。googlebot-news 遵循组 1 。
| 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
。并为其使用支持的协议。抓取工具会忽略不含路径的指令 。为此， allow 和 disallow 字段也称为指令 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。您还可以找到关于创建 robots.txt 文件的提示 ，包含协议和主机 ，使用 HTTP 和 HTTPS 协议时 ，Bing 和其他主流搜索引擎支持有限形式的通配符。 | ||||||||||||||||||||||||||||||||||
| 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 。 $ 表示网址结束 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，且无需进行网址编码 。 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 ，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。 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。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，任何更低级别的网址均可抓取 。 此网址必须是完全限定网址 ，Google 将使用限制性最弱的规则 。 | ||||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，而忽略其他所有内容。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。常见格式为 <field>:<value><#optional-comment> 。协议或端口号来说无效。如果未指定路径 ，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），
| ||||||||||||||||||||||||||||||||||