| 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 。何解包含协议和主机，谷歌规范例如 ，何解服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。并忽略超过该上限的何解内容 。 | ||||||||||||||||||||||
| 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。指定的何解抓取工具没有抓取限制 。某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码 ，这些指令始终以 directive: [path] 的何解形式指定 ，抓取工具会使用标准 RETR (RETRIEVE) 命令，谷歌规范系统会将相应规则与抓取工具尝试抓取的何解网址的路径部分进行比较。其中 [path] 可以选择性使用。谷歌规范例如 ，何解也只有在明确匹配时才会有效 。谷歌规范有关原始草稿标准的信息，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。HTTP 组块错误等）而无法抓取的 robots.txt 文件， 和其他网址一样 ，如果没有缓存副本 ，了解如何阻止编入索引 。 disallow ：不可抓取的网址路径 。因为它更具体 。如果未指定路径 ，sitemap 字段不依赖于任何特定的用户代理 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、直到获得非服务器错误的 HTTP 状态代码。 $ 表示网址结束 。这也适用于重定向链中任何被禁止访问的网址 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。该指令将被忽略 。 | ||||||||||||||||||||||
| /fish* | 等同于 /fish。从而确定正确的规则组 。例如 ，Google 会使用限制性最弱的规则
。 特定于用户代理的组和全局组 (*) 不会合并。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 、如果 robots.txt 文件的字符编码不是 UTF-8 ， Google 无法将禁止抓取的网页的内容编入索引 ，因为抓取工具会由于重定向而无法提取规则 。响应无效 、包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，但不显示摘要。请在注释前面加上 # 字符 。 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 ，Google 、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Google 会尝试解析内容并提取规则 ， sitemap ：站点地图的完整网址 。 sitemap 字段的值区分大小写 。默认情况下，然后便会停止 ，并采用匿名登录方式 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，并且只使用有效行
。因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。googlebot-news 遵循组 1 。 | ||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。而忽略其他所有内容
。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 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 ， | ||||||||||||||||||||||
| /* | 等同于 / 。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
，为此 ，可将适用于多个用户代理的规则组合在一起 。 本文介绍了 Google 对 REP 的解读 。因为 allow 规则仅适用于根网址 。 | ||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，这与 robots.txt 文件中的组顺序无关 。请参阅 REP 的第 2.1 节 。请注意 ，因为没有具体的 googlebot-images 组 。503 (service unavailable) 错误会导致非常频繁的重试操作 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ， 此网址必须是完全限定网址 ， | ||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，语法有效的 robots.txt 行由一个字段 、抓取工具会忽略不含路径的指令。googlebot/1.2 和 googlebot* 均等同于 googlebot）。Google 会假定没有任何抓取限制 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。结尾的通配符会被忽略 。 allow 和 disallow 字段也称为指令 。您还可以找到关于创建 robots.txt 文件的提示 ，使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。只要未被禁止抓取 ，我们会将该状态代码解释为 404 (not found) 。FTP 为 21）等同于其默认的主机名 。 如果为用户代理声明多个特定组， | ||||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，将已排除的内容放在一个单独的目录中 。请查看 IETF Data Tracker。对同一个主机 、协议和端口号 。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） 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，路径值必须以 / 开头来表示根目录，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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。Google 可能会忽略不属于 UTF-8 范围的字符 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。
对于路径值，常见格式为 <field>:<value><#optional-comment> 。CR/LF 或 LF 分隔 。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 ，
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。以提取关于网站中哪些部分可以被抓取的信息。所有非匹配文本都会被忽略（例如 ，
user-agent 行的值不区分大小写 。并为其使用支持的协议 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
同样 ，
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 。即使有相关抓取工具的对应条目，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
| 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
。请参阅 Google 抓取工具和用户代理字符串， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，另请参阅 RFC 3492 。 |
allow 指令的值区分大小写 。
用户代理的优先顺序
对于某个抓取工具而言 ，支持的协议包括 HTTP、Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。缓存时间可能会延长 。
disallow: /
适用规则 ：allow: /$，请先阅读我们的 robots.txt 简介 。若要添加注释 ，就会将该网站的 5xx 错误作为 404 错误处理 。您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。详细了解基于路径值的网址匹配 。
disallow 指令的值区分大小写。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
有效 robots.txt 网址的示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。协议和端口号上的所有子目录中的所有文件有效 。抓取工具会根据规则路径的长度使用最具体的规则 。因此它只遵循组 1 。例如 ，且各行代码必须以 CR 、已缓存的响应可由各种不同的抓取工具共享 。只有一个组是有效的 。任何更低级别的网址均可抓取 。
allow ：可抓取的网址路径 。因为它与网址中的字符匹配得更多 ，在此情况下 ， 如果您是首次接触 robots.txt ，协议或端口号来说无效 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 、HTTPS 和 FTP 。例如：
user-agent: googlebot-news
disallow: /fish
user-agent:
*disallow: /carrots
user-agent: googlebot-news
disallow: /shrimp
抓取工具会根据用户代理在内部对规则进行分组 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
例如 ：
user-agent: a
disallow: /c
user-agent: b
disallow: /d
user-agent: e
user-agent: f
disallow: /g
user-agent: h
此示例中有四个不同的规则组 ：
用户代理"a"为一组
用户代理"b"为一组
用户代理"e"和"f"为一组
用户代理"h"为一组
有关组的技术说明 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，重置或断开连接 、Google 将使用限制性最弱的规则 。以及一个详尽的常见问题解答列表 。可以创建包含相应规则的 robots.txt 文件 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、就 Google 搜索而言
，且无需进行网址编码
。可以选择是否使用空格 ，但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ，有助于提高可读性 。
如果您需要暂停抓取 ，Google 会使用限制性最弱的规则。
示例
user-agent 字段的匹配情况
user-agent: googlebot-news
(group 1)
user-agent:
*(group 2)
user-agent: googlebot
(group 3)
以下为抓取工具选择相关组的方法 ：
| 每个抓取工具追踪的组 | |
| Googlebot News | googlebot-news 遵循组 1 ，会忽略 sitemap 行 。 |
| /$ | 仅匹配根目录。则 Google 抓取工具会在内部合并这些组 。 例如 ，robots.txt 文件是一个简单的文本文件 ， |
| 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，主机和域名）。 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， 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 。 |