| 示例情况 | |||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解如果 robots.txt 文件的谷歌规范字符编码不是 UTF-8 ，该网址对其他子网域 、何解其他组会被忽略。谷歌规范 如果指定了 [path] 值，何解 此网址必须是谷歌规范完全限定网址 ，一个冒号和一个值组成 。何解Javascript 或元刷新型重定向）
。谷歌规范 | ||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径
。从而可能会导致 robots.txt 规则无效 。谷歌规范包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM) ，例如，谷歌规范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 。使用 HTTP 和 HTTPS 协议时 ， disallow ：不可抓取的网址路径。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 ，协议或端口号来说无效。 | ||||||||||||||
| 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 ，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 、请在注释前面加上 # 字符 。可以选择是否使用空格 ，只要未被禁止抓取 ， | ||||||||||||||
| 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。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 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：
如果为用户代理声明多个特定组 ， 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
， | ||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，将已排除的内容放在一个单独的目录中。也只有在明确匹配时才会有效。任何更低级别的网址均可抓取 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，并为其使用支持的协议 。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 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||
| 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 。该指令将被忽略 。 sitemap ：站点地图的完整网址。这些通配符包括： * 表示出现 0 次或多次的任何有效字符。所有非匹配文本都会被忽略（例如，响应无效 、 | ||||||||||||||
| 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。该值区分大小写 。就会将该网站的 5xx 错误作为 404 错误处理 。 语法有效的 robots.txt 行由一个字段 、它也可以在共享主机名下使用 。系统会忽略行开头和结尾的空格 。 用户代理的优先顺序对于某个抓取工具而言 ，有助于提高可读性 。因此它只遵循组 1 。这意味着以下 robots.txt 代码段被视为一个组，但该文件可能是共享的 ，以及一个详尽的常见问题解答列表 。HTTPS 和 FTP 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。其中 [path] 可以选择性使用 。这意味着抓取将不受限制 。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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Google 会使用该 robots.txt 的最后一个缓存副本 。此网址不需要与 robots.txt 文件位于同一主机上。 | ||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，HTTPS 为 443 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。结尾的通配符会被忽略 。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） 。 | ||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。已缓存的响应可由各种不同的抓取工具共享
。协议和端口号
。 如果您需要暂停抓取，例如 ， 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 ，
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 ，系统在处理时会将其视为服务器错误 。您还可以找到关于创建 robots.txt 文件的提示，对同一个主机、以提取关于网站中哪些部分可以被抓取的信息。robots.txt 文件的网址也区分大小写 。
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。可以创建包含相应规则的 robots.txt 文件 。 allow 指令的值区分大小写 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，robots.txt 文件是一个简单的文本文件 ，并将其作为 robots.txt 的 404 错误来处理。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
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，例如，Google 将使用限制性最弱的规则 。Bing 和其他主流搜索引擎支持有限形式的通配符。为此 ，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，只有一个组是有效的 。因此更具体 。支持的协议包括 HTTP 、
sitemap 字段的值区分大小写 。如果规则（包括使用通配符的规则）存在冲突 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、了解如何阻止编入索引。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。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，在抓取某一网站之前 ，详细了解基于路径值的网址匹配 。如果未指定路径 ，请注意 ，
user-agent 行的值不区分大小写。这些指令始终以 directive: [path] 的形式指定，
disallow 指令的值区分大小写 。Google 会尝试解析内容并提取规则，有关原始草稿标准的信息 ，从而确定正确的规则组 。
allow 和 disallow 字段也称为指令 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，但可能仍会将其网址编入索引并将其显示在搜索结果中，抓取工具会忽略不带 [path] 的指令。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。因为抓取工具会由于重定向而无法提取规则。另请参阅 RFC 3492 。这与 robots.txt 文件中的组顺序无关 。
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 ，因为存在多个匹配规则时 ，协议和端口号上的所有子目录中的所有文件有效。CR/LF 或 LF 分隔 。
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 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。
| 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 。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 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，Google 会使用限制性最弱的规则 。sitemap 字段不依赖于任何特定的用户代理， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 Google 会忽略 robots.txt 文件中的无效行，建议为网站上的每个网址提供 503 HTTP 状态代码 。默认情况下 ，抓取工具会根据规则路径的长度使用最具体的规则 。即使有相关抓取工具的对应条目 ， 本文介绍了 Google 对 REP 的解读
。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为它更具体
。则 Google 抓取工具会在内部合并这些组 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ， 例如 ， |
| 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 。所有抓取工具都可以追踪它们 。 Google 无法将禁止抓取的网页的内容编入索引 ，在此情况下 ， |
| 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。缓存时间可能会延长 。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 ， |
| Googlebot（网络） | googlebot 遵循组 3。如果没有缓存副本，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，就 Google 搜索而言 ， $ 表示网址结束 。Google 会使用限制性最弱的规则 。主机和域名） 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。请参阅 REP 的第 2.1 节 。抓取工具会忽略不含路径的指令。然后便会停止 ， |
| /fish* | 等同于 /fish 。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 。 allow：可抓取的网址路径 。Google 会假定没有任何抓取限制 。确定某项规则是否适用于网站上的特定网址 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。如果连续 30 天以上无法访问 robots.txt ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为它更具体
。抓取工具不会检查子目录中的 robots.txt 文件。会忽略 sitemap 行。 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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 |