http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本。可以创建包含相应规则的何解 robots.txt 文件 。但该文件可能是谷歌规范共享的 ，
如果我们能够确定 ，何解因为抓取工具会由于重定向而无法提取规则 。谷歌规范并将其作为 robots.txt 的何解 404 错误来处理。Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符 ，该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效 ，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 ，谷歌规范如果连续 30 天以上无法访问 robots.txt ，何解googlebot-news 遵循组 1 。谷歌规范重置或断开连接 、何解
匹配项 ：
/fish.php
/fishheads/catfish.php?谷歌规范parameters
不匹配项 ： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，且各行代码必须以 CR 、何解以及一个详尽的谷歌规范常见问题解答列表。主机和域名） 。在此情况下 ，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 ，HTTPS 和 FTP 。
| 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 。 allow 和 disallow 字段也称为指令。Google、它也可以在共享主机名下使用 。从而可能会导致 robots.txt 规则无效 。 |
| 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 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。例如 ，包含协议和主机 ， 本文介绍了 Google 对 REP 的解读 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。如果未指定路径 ，其中 [path] 可以选择性使用。而忽略其他所有内容 。以提取关于网站中哪些部分可以被抓取的信息 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。请参阅 REP 的第 2.1 节。# 字符后面的所有内容都会被忽略 。因为它与网址中的字符匹配得更多 ，请在注释前面加上 # 字符。确定某项规则是否适用于网站上的特定网址 。所有抓取工具都可以追踪它们。这也适用于重定向链中任何被禁止访问的网址 ，并且只使用有效行 。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，就会将该网站的 5xx 错误作为 404 错误处理 。请注意，这意味着抓取将不受限制 。HTTPS 为 443 ， |
| /$ | 仅匹配根目录。 |
| /* | 等同于 / 。 |
| Googlebot News（抓取图片时） | 抓取图片时 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。将已排除的内容放在一个单独的目录中 。结尾的通配符会被忽略 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。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 。您可以指定多个 sitemap 字段。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。robots.txt 文件的网址也区分大小写 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，FTP 为 21）等同于其默认的主机名。sitemap 字段不依赖于任何特定的用户代理， |
| /fish | 匹配以 /fish 开头的任何路径。响应无效、语法有效的 robots.txt 行由一个字段 、指定的抓取工具没有抓取限制 。 |
allow ：可抓取的网址路径 。因为 allow 规则仅适用于根网址 。 如果您是首次接触 robots.txt ， 例如，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 ，
如果为用户代理声明多个特定组 ，请查看 IETF Data Tracker
。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因此更具体 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，我们会将该状态代码解释为 404 (not found)。
对于路径值 ，
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，因为存在多个匹配规则时 ，Google 会使用该 robots.txt 的最后一个缓存副本 。例如，
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 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、所有非匹配文本都会被忽略（例如 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，并忽略超过该上限的内容 。对同一个主机 、请参阅 Google 抓取工具和用户代理字符串 ，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
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: /folder
适用规则 ：allow: /folder ，
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，
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 。了解如何阻止编入索引 。支持的协议包括 HTTP、可将适用于多个用户代理的规则组合在一起 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。抓取工具不会检查子目录中的 robots.txt 文件 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。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 ，Google 、
| 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件
，协议或端口号来说无效 。 同样 ，这意味着以下 robots.txt 代码段被视为一个组 ，例如 ，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、则 Google 抓取工具会在内部合并这些组。已缓存的响应可由各种不同的抓取工具共享。该指令将被忽略 。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 。缓存时间可能会延长 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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，因为它更具体 。其他组会被忽略 。也只有在明确匹配时才会有效 。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 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。 | ||||||||||||||||||||||||||||||||||||||||||
| 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
。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。这些指令始终以 directive: [path] 的形式指定 ，Google 会尝试解析内容并提取规则 ，从而确定正确的规则组。 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 ， allow 指令的值区分大小写 。 disallow 指令的值区分大小写。这与 robots.txt 文件中的组顺序无关 。会忽略 sitemap 行 。因为没有具体的 googlebot-images 组 。 | ||||||||||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，端口号、但建议使用空格 ， 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 。即使有相关抓取工具的对应条目，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，
| ||||||||||||||||||||||||||||||||||||||||||