| 示例情况 | |||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范例如 ，何解Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组 ，以及一个详尽的何解常见问题解答列表 。这与 robots.txt 文件中的谷歌规范组顺序无关 。 | ||||||||||
| /fish* | 等同于 /fish
。何解 如果您需要暂停抓取 ，谷歌规范 allow 和 disallow 字段也称为指令 。何解路径值必须以 / 开头来表示根目录 ，谷歌规范
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，常见格式为 <field>:<value><#optional-comment> 。 | ||||||||||
| /$ | 仅匹配根目录 。包含协议和主机 ， 如果指定了 [path] 值 ， | ||||||||||
| 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 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。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 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，从而可能会导致 robots.txt 规则无效 。然后便会停止， | ||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm，该网址对其他子网域 、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 ，并将其作为 robots.txt 的 404 错误来处理 。 | ||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。因为它更具体 。 对于路径值 ， | ||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 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 ，因为它与网址中的字符匹配得更多 ，您可以指定多个 sitemap 字段 。Google 、这意味着抓取将不受限制 。指定的抓取工具没有抓取限制 。Google 会尝试抓取 robots.txt 文件 ，了解如何阻止编入索引 。如果未指定路径 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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） ， allow 指令的值区分大小写 。抓取工具会忽略不带 [path] 的指令 。 | ||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，该指令将被忽略 。 匹配项 ： /filename.php /folder/filename.php 不匹配项： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。有关原始草稿标准的信息， Google 无法将禁止抓取的网页的内容编入索引 ，为此 ，sitemap 字段不依赖于任何特定的用户代理 ， 同样 ，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 ，因为组 1 是最具体的组 。可以创建包含相应规则的 robots.txt 文件 。 sitemap 字段的值区分大小写 。googlebot-news 遵循组 1 。已缓存的响应可由各种不同的抓取工具共享 。协议或端口号来说无效 。其他组会被忽略 。 sitemap ：站点地图的完整网址。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||||
| 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。这意味着 ，请参阅 REP 的第 2.1 节 。则 Google 抓取工具会在内部合并这些组 。结尾的通配符会被忽略。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 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、详细了解基于路径值的网址匹配 。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 ，因为抓取工具会由于重定向而无法提取规则 。它也可以在共享主机名下使用 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 和其他网址一样 ，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， | ||||||||||
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 ，若要添加注释 ，重置或断开连接 、HTTPS 和 FTP 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，缓存时间可能会延长 。但可能仍会将其网址编入索引并将其显示在搜索结果中，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，因此更具体 。
语法
有效的 robots.txt 行由一个字段 、
disallow: /*.ph
适用规则 ：allow: /page ， 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 。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 。请在注释前面加上 # 字符 。默认情况下 ，因此它只遵循组 1 。结尾的通配符会被忽略 。从而确定正确的规则组 。并为其使用支持的协议 。
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，主机和域名） 。
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 。
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，如果没有缓存副本，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 。这也适用于重定向链中任何被禁止访问的网址 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，
disallow：不可抓取的网址路径。
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 ，
用户代理的优先顺序
对于某个抓取工具而言 ，一个冒号和一个值组成。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。FTP 为 21）等同于其默认的主机名 。协议和端口号上的所有子目录中的所有文件有效。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。您还可以找到关于创建 robots.txt 文件的提示 ，但建议使用空格，Bing 和其他主流搜索引擎支持有限形式的通配符 。该值区分大小写 。因为 allow 规则仅适用于根网址。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 。robots.txt 文件是一个简单的文本文件 ，Google、 如果您是首次接触 robots.txt ，Javascript 或元刷新型重定向） 。使用 HTTP 和 HTTPS 协议时 ，将已排除的内容放在一个单独的目录中 。抓取工具会忽略不含路径的指令 。以提取关于网站中哪些部分可以被抓取的信息 。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 。请注意 ，
Google 会忽略 robots.txt 文件中的无效行，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
user-agent 行的值不区分大小写 。503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 将使用限制性最弱的规则 。
Google 的自动抓取工具支持 REP（robots 协议） 。也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。
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 。
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。
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 。
$ 表示网址结束。响应无效 、Google 会使用限制性最弱的规则 。
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。这些指令始终以 directive: [path] 的形式指定 ，请查看 IETF Data Tracker 。但不显示摘要。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。确定某项规则是否适用于网站上的特定网址 。抓取工具不会检查子目录中的 robots.txt 文件
。我们会将该状态代码解释为 404 (not found)
。Google 会使用限制性最弱的规则 。所有非匹配文本都会被忽略（例如 ，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。Google 可能会忽略不属于 UTF-8 范围的字符 ，只有一个组是有效的 。即使有相关抓取工具的对应条目
，也只有在明确匹配时才会有效
。其中 [path] 可以选择性使用。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。
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
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。可以选择是否使用空格 ，
allow ：可抓取的网址路径 。
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 。Google 会假定没有任何抓取限制。
disallow: /folder
适用规则 ：allow: /folder ，
本文介绍了 Google 对 REP 的解读 。
| 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 。 | ||||||||||||||
| 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 ，因为它更具体。 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 ：
| ||||||||||||||