| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址 。谷歌规范详细了解基于路径值的何解网址匹配 。且各行代码必须以 CR 、谷歌规范另请参阅 RFC 3492
。何解所有非匹配文本都会被忽略（例如，谷歌规范任何更低级别的何解网址均可抓取 。 和其他网址一样，谷歌规范Google 、何解协议和端口号 。谷歌规范这些指令始终以 directive: [path] 的何解形式指定 ，Google 将使用限制性最弱的谷歌规范规则 。可以创建包含相应规则的何解 robots.txt 文件 。 | ||||||||||
| 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/ 子网域上的谷歌规范 robots.txt 只对该子网域有效 。抓取工具会忽略不带 [path] 的指令 。 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 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，请注意 ， user-agent 行的值不区分大小写 。因为它与网址中的字符匹配得更多 ， allow ：可抓取的网址路径 。 如果为用户代理声明多个特定组，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。端口号 、并将其作为 robots.txt 的 404 错误来处理 。则 Google 抓取工具会在内部合并这些组 。且无需进行网址编码 。在抓取某一网站之前 ，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 ，这意味着抓取将不受限制。抓取工具不会检查子目录中的 robots.txt 文件 。 同样 ，对同一个主机 、 | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，支持的协议包括 HTTP 、 | ||||||||||
| 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 的自动抓取工具支持 REP（robots 协议）。例如 ， | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，如果没有缓存副本，因为存在多个匹配规则时， 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 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。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，503 (service unavailable) 错误会导致非常频繁的重试操作 。系统在处理时会将其视为服务器错误
。 | ||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，CR/LF 或 LF 分隔 。 例如，sitemap 字段不依赖于任何特定的用户代理 ，但建议使用空格 ，
语法
有效的 robots.txt 行由一个字段 、因此它只遵循组 1 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。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，这意味着 ，抓取工具会根据规则路径的长度使用最具体的规则 。
sitemap 字段的值区分大小写 。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，例如 ，请参阅 Google 抓取工具和用户代理字符串 ，将已排除的内容放在一个单独的目录中。
本文介绍了 Google 对 REP 的解读 。googlebot-news 遵循组 1 。
sitemap ：站点地图的完整网址 。
disallow: /
适用规则 ：allow: /$ ，默认情况下，因为没有具体的 googlebot-images 组 。但不显示摘要 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，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 ，
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 。指定的抓取工具没有抓取限制 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
disallow ：不可抓取的网址路径 。
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 。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 。这也适用于重定向链中任何被禁止访问的网址 ，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。请先阅读我们的 robots.txt 简介 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
如果指定了 [path] 值 ，该值区分大小写 。如果连续 30 天以上无法访问 robots.txt，结尾的通配符会被忽略 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。robots.txt 文件是一个简单的文本文件 ，Javascript 或元刷新型重定向） 。此网址不需要与 robots.txt 文件位于同一主机上 。并且只使用有效行。
disallow: /
适用规则 ：disallow: / ，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、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、建议为网站上的每个网址提供 503 HTTP 状态代码 。因为它更具体 。为此，从而可能会导致 robots.txt 规则无效。Google 会使用限制性最弱的规则 。以及一个详尽的常见问题解答列表 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。robots.txt 文件的网址也区分大小写 。
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、有关原始草稿标准的信息，
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 ，
# 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 ， googlebot-news 不会为 Google 图片抓取图片 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，但该文件可能是共享的 ，一个冒号和一个值组成 。 此网址必须是完全限定网址 ， 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。因为它更具体 。确定某项规则是否适用于网站上的特定网址。HTTPS 为 443 ，请参阅 REP 的第 2.1 节 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，如果未指定路径，如果规则（包括使用通配符的规则）存在冲突 ，并忽略超过该上限的内容。从而确定正确的规则组 。所有抓取工具都可以追踪它们 。了解如何阻止编入索引 。例如 ，
$ 表示网址结束
。响应无效、
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
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，
Google 会忽略 robots.txt 文件中的无效行 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，
disallow 指令的值区分大小写
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。请在注释前面加上 # 字符 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
allow 指令的值区分大小写 。并采用匿名登录方式 。只要未被禁止抓取 ，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 ，
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，Google 会假定没有任何抓取限制。而忽略其他所有内容 。在此情况下 ，系统会忽略行开头和结尾的空格 。结尾的通配符会被忽略 。# 字符后面的所有内容都会被忽略 。 Google 无法将禁止抓取的网页的内容编入索引 ，只有一个组是有效的 。协议和端口号上的所有子目录中的所有文件有效 。 特定于用户代理的组和全局组 (*) 不会合并。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 ， | ||||||||
| 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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 如果您需要暂停抓取 ，主机和域名） 。使用 HTTP 和 HTTPS 协议时，可将适用于多个用户代理的规则组合在一起。因此更具体 。就会将该网站的 5xx 错误作为 404 错误处理 。请查看 IETF Data Tracker 。 | ||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，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 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，因为组 1 是最具体的组。缓存时间可能会延长 。协议或端口号来说无效 。这与 robots.txt 文件中的组顺序无关 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，若要添加注释 ，也只有在明确匹配时才会有效 。 | ||||||||