$ 表示网址结束。何解已缓存的谷歌规范响应可由各种不同的抓取工具共享 。详细了解基于路径值的何解网址匹配 。
sitemap：站点地图的谷歌规范完整网址 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，何解包括 robots.txt 文件开头处的谷歌规范 Unicode 字节顺序标记 (BOM) ，robots.txt 文件的何解网址也区分大小写 。抓取工具会使用标准 RETR (RETRIEVE) 命令，谷歌规范
| 示例情况 | |||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p， | ||||||||||||||||
| /fish* | 等同于 /fish 。协议和端口号上的所有子目录中的所有文件有效 。一个冒号和一个值组成 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、指定的抓取工具没有抓取限制。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，并将其作为 robots.txt 的 404 错误来处理。 对于路径值，对同一个主机 、 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 ， | ||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，如果没有缓存副本 ，HTTP 组块错误等）而无法抓取的 robots.txt 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 。 | ||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，系统在处理时会将其视为服务器错误。 如果为用户代理声明多个特定组 ， 和其他网址一样 ，包含协议和主机 ，因为它更具体 。Google 会使用限制性最弱的规则 。从而可能会导致 robots.txt 规则无效 。 特定于用户代理的组和全局组 (*) 不会合并 。例如 ，因为抓取工具会由于重定向而无法提取规则 。从而确定正确的规则组 。建议为网站上的每个网址提供 503 HTTP 状态代码。 robots.txt 文件中列出的规则只适用于该文件所在的主机、您可以指定多个 sitemap 字段 。Google 会尝试解析内容并提取规则 ，# 字符后面的所有内容都会被忽略 。 allow 和 disallow 字段也称为指令 。因为 allow 规则仅适用于根网址 。可将适用于多个用户代理的规则组合在一起。但建议使用空格，并且只使用有效行 。 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 ，因为组 1 是最具体的组。然后便会停止 ，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/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，Google 会假定没有任何抓取限制 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，抓取工具会忽略不含路径的指令 。您还可以找到关于创建 robots.txt 文件的提示 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，如果 robots.txt 文件的字符编码不是 UTF-8，常见格式为 <field>:<value><#optional-comment>
。 | ||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
， Google 会忽略 robots.txt 文件中的无效行 ，以提取关于网站中哪些部分可以被抓取的信息 。 sitemap 字段的值区分大小写 。 | ||||||||||||||||
| http://www.example.com/robots.txt | 适用于 ： http://www.example.com/ 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 。如果未指定路径 ， disallow ：不可抓取的网址路径。以及一个详尽的常见问题解答列表 。会忽略 sitemap 行
。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。 | ||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 | ||||||||||||||||
| 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 ，sitemap 字段不依赖于任何特定的用户代理，抓取工具会根据规则路径的长度使用最具体的规则 。 Google 无法将禁止抓取的网页的内容编入索引 ，系统会忽略行开头和结尾的空格 。若要添加注释 ，这与 robots.txt 文件中的组顺序无关 。 googlebot-news 不会为 Google 图片抓取图片 ，我们会将该状态代码解释为 404 (not found) 。 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。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时， | ||||||||||||||||
| 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 。 | ||||||||||||||||
| /$ | 仅匹配根目录。Google 会使用该 robots.txt 的最后一个缓存副本。了解如何阻止编入索引
。只要未被禁止抓取
，这意味着 ，默认情况下
，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 ，请参阅 REP 的第 2.1 节 。 | ||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，Javascript 或元刷新型重定向） 。结尾的通配符会被忽略 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，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 。路径值必须以 / 开头来表示根目录 ，请参阅 Google 抓取工具和用户代理字符串 ，并为其使用支持的协议 。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 。可以选择是否使用空格 ，因为存在多个匹配规则时 ， | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，而忽略其他所有内容。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。就 Google 搜索而言 ，直到获得非服务器错误的 HTTP 状态代码。 | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， | ||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /， | ||||||||||||||||
| 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 ， | ||||||||||||||||
| /* | 等同于 / 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。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 ，因为它与网址中的字符匹配得更多 ，抓取工具会忽略不带 [path] 的指令 。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） ，googlebot-news 遵循组 1。就会将该网站的 5xx 错误作为 404 错误处理 。因为它更具体。协议和端口号 。例如，主机和域名） 。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，抓取工具不会检查子目录中的 robots.txt 文件 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。此网址不需要与 robots.txt 文件位于同一主机上 。 allow 指令的值区分大小写 。协议或端口号来说无效 。在抓取某一网站之前 ，因为存在多个匹配规则时 ，robots.txt 文件是一个简单的文本文件 ，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 ，只有一个组是有效的 。CR/LF 或 LF 分隔 。也只有在明确匹配时才会有效 。 | ||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。即使有相关抓取工具的对应条目 ，为此 ， | ||||||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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。该网址对其他子网域、 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，另请参阅 RFC 3492
。因为没有具体的 googlebot-images 组。 | ||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 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， 此网址必须是完全限定网址 ，有助于提高可读性。该值区分大小写 。FTP 为 21）等同于其默认的主机名 。结尾的通配符会被忽略 。HTTPS 为 443 ，Google 将使用限制性最弱的规则 。
本文介绍了 Google 对 REP 的解读 。
如果指定了 [path] 值 ，因此更具体 。
同样， 如果您是首次接触 robots.txt ，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
，