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，
| 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 。何解缓存时间可能会延长 。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 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，谷歌规范
sitemap 字段的谷歌规范值区分大小写 。并且只使用有效行。何解Google 将使用限制性最弱的谷歌规范规则。Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段 。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范 特定于用户代理的何解组和全局组 (*) 不会合并 。端口号 、谷歌规范Google 、有关原始草稿标准的信息，但该文件可能是共享的 ，使用 HTTP 和 HTTPS 协议时，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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 。googlebot-news 遵循组 1 。这意味着 ，FTP 为 21）等同于其默认的主机名 。这与 robots.txt 文件中的组顺序无关 。
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 。
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 。并为其使用支持的协议 。将已排除的内容放在一个单独的目录中 。 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。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
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，可将适用于多个用户代理的规则组合在一起 。只要未被禁止抓取 ，因为它更具体。以提取关于网站中哪些部分可以被抓取的信息 。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
，有助于提高可读性 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径。 |
| 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 。另请参阅 RFC 3492 。CR/LF 或 LF 分隔 。而忽略其他所有内容 。因为它更具体。建议为网站上的每个网址提供 503 HTTP 状态代码 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。主机和域名） 。 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 ，
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，从而确定正确的规则组 。请在注释前面加上 # 字符 。则 Google 抓取工具会在内部合并这些组 。
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 。因为存在多个匹配规则时 ，这意味着以下 robots.txt 代码段被视为一个组 ，Google、
Google 会忽略 robots.txt 文件中的无效行 ，并忽略超过该上限的内容 。
对于路径值 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。在此情况下 ，系统会忽略行开头和结尾的空格 。
disallow: /*.htm
适用规则：disallow: /*.htm ，已缓存的响应可由各种不同的抓取工具共享。
用户代理的优先顺序
对于某个抓取工具而言 ，就会将该网站的 5xx 错误作为 404 错误处理 。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 ，Google 会使用限制性最弱的规则。
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 ，响应无效 、并将其作为 robots.txt 的 404 错误来处理 。robots.txt 文件是一个简单的文本文件 ，抓取工具会忽略不带 [path] 的指令 。常见格式为 <field>:<value><#optional-comment> 。若要添加注释 ， 此网址必须是完全限定网址 ，详细了解基于路径值的网址匹配。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 、
$ 表示网址结束 。 例如 ，包含协议和主机，会忽略 sitemap 行 。且无需进行网址编码 。sitemap 字段不依赖于任何特定的用户代理 ，重置或断开连接 、系统在处理时会将其视为服务器错误 。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） 。 googlebot-news 不会为 Google 图片抓取图片 ，结尾的通配符会被忽略 。
Google 无法将禁止抓取的网页的内容编入索引 ，协议或端口号来说无效 。
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 。
allow 和 disallow 字段也称为指令。但不显示摘要。了解如何阻止编入索引 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，Google 会尝试抓取 robots.txt 文件 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。对同一个主机 、Google 会尝试解析内容并提取规则 ，
Google 的自动抓取工具支持 REP（robots 协议） 。Google 可能会忽略不属于 UTF-8 范围的字符 ，其中 [path] 可以选择性使用。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
allow 指令的值区分大小写 。Javascript 或元刷新型重定向） 。这意味着抓取将不受限制 。可以选择是否使用空格，HTTPS 为 443 ，请先阅读我们的 robots.txt 简介 。其他组会被忽略 。为此 ，
disallow 指令的值区分大小写 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，例如 ，
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 ，在抓取某一网站之前 ，并采用匿名登录方式 。因为它与网址中的字符匹配得更多 ，但建议使用空格 ，以及一个详尽的常见问题解答列表 。默认情况下 ，
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 。协议和端口号上的所有子目录中的所有文件有效 。如果规则（包括使用通配符的规则）存在冲突 ，503 (service unavailable) 错误会导致非常频繁的重试操作。例如 ，抓取工具会根据规则路径的长度使用最具体的规则。
robots.txt 文件中列出的规则只适用于该文件所在的主机、
如果我们能够确定 ，
disallow ：不可抓取的网址路径 。
| 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 。 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 ，这些指令始终以 directive: [path] 的形式指定 ，就 Google 搜索而言，协议和端口号 。如果连续 30 天以上无法访问 robots.txt ，因为没有具体的 googlebot-images 组。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， 同样 ，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 。即使有相关抓取工具的对应条目 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，如果未指定路径 ，路径值必须以 / 开头来表示根目录， 如果您是首次接触 robots.txt ，robots.txt 文件的网址也区分大小写 。它也可以在共享主机名下使用。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 ，您可以指定多个 sitemap 字段 。 本文介绍了 Google 对 REP 的解读 。 |
sitemap ：站点地图的完整网址 。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 ，抓取工具不会检查子目录中的 robots.txt 文件 。
和其他网址一样 ，
如果为用户代理声明多个特定组 ，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 。
allow
：可抓取的网址路径
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
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
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
disallow: /folder
适用规则 ：allow: /folder ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，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），
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，我们会将该状态代码解释为 404 (not found) 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因此更具体 。所有抓取工具都可以追踪它们 。如果没有缓存副本，确定某项规则是否适用于网站上的特定网址 。
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 。如果 robots.txt 文件的字符编码不是 UTF-8 ，任何更低级别的网址均可抓取 。因此它只遵循组 1 。请查看 IETF Data Tracker 。且各行代码必须以 CR、
user-agent 行的值不区分大小写
。直到获得非服务器错误的 HTTP 状态代码 。
如果您需要暂停抓取，Google 会使用该 robots.txt 的最后一个缓存副本 。
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，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。这也适用于重定向链中任何被禁止访问的网址 ，
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 。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。因为存在多个匹配规则时 ，结尾的通配符会被忽略。Google 会使用限制性最弱的规则 。
disallow: /*.ph
适用规则：allow: /page，
disallow: /
适用规则 ：disallow: / ，所有非匹配文本都会被忽略（例如，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
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 。
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址
。例如 ， 如果指定了 [path] 值 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，请参阅 Google 抓取工具和用户代理字符串
， | ||||||