| 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 。何解 robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范Google 会尝试解析内容并提取规则 ，何解
Google 不会跟踪 robots.txt 文件中的何解逻辑重定向（框架 、获取可在 robots.txt 文件中使用的谷歌规范用户代理字符串的完整列表 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是何解 404 状态代码，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 ，谷歌规范且无需进行网址编码 。何解Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。谷歌规范
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
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。该指令将被忽略 。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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。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 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。其中 [path] 可以选择性使用 。Google 会使用限制性最弱的规则 。robots.txt 文件的网址也区分大小写 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
allow ：可抓取的网址路径。协议或端口号来说无效 。
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 ：
| 每个抓取工具追踪的组 | |||||||||||||
| Googlebot News | googlebot-news 遵循组 1 ，这意味着抓取将不受限制 。 allow 和 disallow 字段也称为指令 。以提取关于网站中哪些部分可以被抓取的信息。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，并为其使用支持的协议 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，而忽略其他所有内容 。这意味着以下 robots.txt 代码段被视为一个组，可以创建包含相应规则的 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 ，因为它更具体 。 allow 指令的值区分大小写。且各行代码必须以 CR 、这意味着 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，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 ，主机和域名） 。如果 robots.txt 文件的字符编码不是 UTF-8 ，例如 ， 语法有效的 robots.txt 行由一个字段 、有关原始草稿标准的信息 ，将已排除的内容放在一个单独的目录中 。Google 将使用限制性最弱的规则 。 和其他网址一样 ，因为抓取工具会由于重定向而无法提取规则。如果规则（包括使用通配符的规则）存在冲突 ，响应无效 、因为 allow 规则仅适用于根网址 。如果没有缓存副本 ， | ||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。对同一个主机
、如果连续 30 天以上无法访问 robots.txt
，然后便会停止
，请查看 IETF Data Tracker。请参阅 REP 的第 2.1 节 。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， | ||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、sitemap 字段不依赖于任何特定的用户代理，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 ，Google 会使用限制性最弱的规则 。常见格式为 <field>:<value><#optional-comment> 。包含协议和主机 ， $ 表示网址结束 。# 字符后面的所有内容都会被忽略 。您可以指定多个 sitemap 字段 。
| ||||||||||||
| 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。直到获得非服务器错误的 HTTP 状态代码 。Google 、 用户代理的优先顺序对于某个抓取工具而言， | ||||||||||||
| /fish* | 等同于 /fish 。使用 HTTP 和 HTTPS 协议时 ， googlebot-news 不会为 Google 图片抓取图片，HTTPS 为 443 ，端口号 、HTTPS 和 FTP 。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 、缓存时间可能会延长 。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） ，如果下载的内容是 Html 格式而非 robots.txt 规则，这些指令始终以 directive: [path] 的形式指定 ， | ||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，一个冒号和一个值组成 。在抓取某一网站之前 ， 例如，结尾的通配符会被忽略 。并忽略超过该上限的内容。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、可将适用于多个用户代理的规则组合在一起 。只有一个组是有效的 。也只有在明确匹配时才会有效 。 disallow 指令的值区分大小写。例如，
规则的优先顺序匹配 robots.txt 规则与网址时 ，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 。 | ||||||||||||
| /* | 等同于 / 。协议和端口号上的所有子目录中的所有文件有效。默认情况下 ， 同样，了解如何阻止编入索引
。例如
， | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。支持的协议包括 HTTP、 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。则 Google 抓取工具会在内部合并这些组 。因此它只遵循组 1。该值区分大小写 。 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 。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， 特定于用户代理的组和全局组 (*) 不会合并
。 | ||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。 本文介绍了 Google 对 REP 的解读 。 对于路径值 ，抓取工具会忽略不带 [path] 的指令 。这也适用于重定向链中任何被禁止访问的网址 ， 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，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， | ||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，任何更低级别的网址均可抓取 。Google 会使用该 robots.txt 的最后一个缓存副本 。Google 可能会忽略不属于 UTF-8 范围的字符 ， 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 ，为此，有助于提高可读性 。 | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，所有非匹配文本都会被忽略（例如 ， | ||||||||||||
| 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 。 disallow ：不可抓取的网址路径 。 | ||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。FTP 为 21）等同于其默认的主机名 。请参阅 Google 抓取工具和用户代理字符串 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。CR/LF 或 LF 分隔 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。可以选择是否使用空格 ，并将其作为 robots.txt 的 404 错误来处理 。因为它更具体 。指定的抓取工具没有抓取限制 。
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 。从而可能会导致 robots.txt 规则无效 。googlebot-news 遵循组 1 。
如果指定了 [path] 值 ，抓取工具不会检查子目录中的 robots.txt 文件 。确定某项规则是否适用于网站上的特定网址。它也可以在共享主机名下使用 。结尾的通配符会被忽略 。
sitemap ：站点地图的完整网址
。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
如果我们能够确定 ，所有抓取工具都可以追踪它们 。就会将该网站的 5xx 错误作为 404 错误处理
。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，Google 会假定没有任何抓取限制 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
disallow: /
适用规则 ：disallow: / ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，该网址对其他子网域 、Google 会尝试抓取 robots.txt 文件 ，但不显示摘要 。因此更具体。
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
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
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 。重置或断开连接 、已缓存的响应可由各种不同的抓取工具共享 。
Google 的自动抓取工具支持 REP（robots 协议） 。就 Google 搜索而言 ，
user-agent 行的值不区分大小写 。从而确定正确的规则组 。因为组 1 是最具体的组。Javascript 或元刷新型重定向）。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。但该文件可能是共享的 ，请先阅读我们的 robots.txt 简介 。请在注释前面加上 # 字符 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，并且只使用有效行 。
Google 无法将禁止抓取的网页的内容编入索引 ，即使有相关抓取工具的对应条目 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，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。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 。