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 ，但不显示摘要 。何解
allow ：可抓取的谷歌规范网址路径 。您还可以找到关于创建 robots.txt 文件的何解提示 ，请在注释前面加上 # 字符。谷歌规范如果下载的何解内容是 Html 格式而非 robots.txt 规则 ，响应无效 、谷歌规范下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的何解方式 。
sitemap ：站点地图的谷歌规范完整网址 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的何解位置。默认情况下 ，谷歌规范
user-agent 行的值不区分大小写。主机和域名） 。这意味着抓取将不受限制。因为抓取工具会由于重定向而无法提取规则 。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。googlebot-news 遵循组 1 。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 ，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
，抓取工具会忽略不带 [path] 的指令
。
如果我们能够确定
，
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 。Google 将使用限制性最弱的规则。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。FTP 为 21）等同于其默认的主机名。详细了解基于路径值的网址匹配。Google 、可以选择是否使用空格 ，
如果指定了 [path] 值 ，HTTPS 为 443 ，
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具。
sitemap 字段的值区分大小写 。 如果您是首次接触 robots.txt ，请参阅 REP 的第 2.1 节 。请参阅 Google 抓取工具和用户代理字符串，
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 ，
用户代理的优先顺序
对于某个抓取工具而言 ，如果连续 30 天以上无法访问 robots.txt ，
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 ，
disallow: /
适用规则 ：allow: /$ ，这与 robots.txt 文件中的组顺序无关 。
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 。
| 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 。如果 robots.txt 文件的字符编码不是 UTF-8
，建议为网站上的每个网址提供 503 HTTP 状态代码 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，可将适用于多个用户代理的规则组合在一起 。此网址不需要与 robots.txt 文件位于同一主机上 。路径值必须以 / 开头来表示根目录 ，robots.txt 文件是一个简单的文本文件 ，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， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， 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 。因为没有具体的 googlebot-images 组 。 | ||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，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 。 | ||||||||||||||||||||||||||
| 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，请注意 ，可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，Google 会使用限制性最弱的规则 。如果没有缓存副本 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。因为组 1 是最具体的组 。 | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，另请参阅 RFC 3492 。该值区分大小写 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，请先阅读我们的 robots.txt 简介 。系统会忽略行开头和结尾的空格 。就会将该网站的 5xx 错误作为 404 错误处理。 | ||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。并且只使用有效行。Google 会尝试解析内容并提取规则， Google 会忽略 robots.txt 文件中的无效行 ， | ||||||||||||||||||||||||||
| ftp://example.com/robots.txt | 适用于
： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，所有非匹配文本都会被忽略（例如 ，结尾的通配符会被忽略 。一个冒号和一个值组成 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、协议和端口号。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)， Google 无法将禁止抓取的网页的内容编入索引 ，例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow
、 | ||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 和其他网址一样 ，Bing 和其他主流搜索引擎支持有限形式的通配符。只要未被禁止抓取 ， 语法有效的 robots.txt 行由一个字段 、在此情况下，从而确定正确的规则组。因此更具体 。只有一个组是有效的 。 | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，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 。包含协议和主机 ，该网址对其他子网域、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。且无需进行网址编码。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，这些指令始终以 directive: [path] 的形式指定 ，所有抓取工具都可以追踪它们 。常见格式为 <field>:<value><#optional-comment> 。确定某项规则是否适用于网站上的特定网址 。 | ||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， allow 和 disallow 字段也称为指令 。指定的抓取工具没有抓取限制 。# 字符后面的所有内容都会被忽略。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。这意味着以下 robots.txt 代码段被视为一个组 ，robots.txt 文件的网址也区分大小写 。Google 会使用限制性最弱的规则 。
规则的优先顺序匹配 robots.txt 规则与网址时 ， 例如，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 ，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，已缓存的响应可由各种不同的抓取工具共享 。例如 ，使用 HTTP 和 HTTPS 协议时 ， disallow ：不可抓取的网址路径
。有助于提高可读性 。例如 ， | ||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。了解如何阻止编入索引。sitemap 字段不依赖于任何特定的用户代理，Google 会使用该 robots.txt 的最后一个缓存副本。协议和端口号上的所有子目录中的所有文件有效
。因为存在多个匹配规则时， 对于路径值 ，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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。即使有相关抓取工具的对应条目， | ||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 。 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，
| ||||||||||||||||||||||||||