| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址 。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 。 特定于用户代理的谷歌规范组和全局组 (*) 不会合并 。 Google 无法将禁止抓取的何解网页的内容编入索引， disallow ：不可抓取的谷歌规范网址路径 。这些指令始终以 directive: [path] 的何解形式指定 ，因为它更具体 。谷歌规范 什么是何解 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， 本文介绍了 Google 对 REP 的谷歌规范解读 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，何解该指令将被忽略。谷歌规范请在注释前面加上 # 字符 。何解# 字符后面的谷歌规范所有内容都会被忽略 。 如果我们能够确定 ，响应无效 、 |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， |
| Googlebot News（抓取图片时） | 抓取图片时 ，只要未被禁止抓取，如果规则（包括使用通配符的规则）存在冲突 ，缓存时间可能会延长 。而忽略其他所有内容 。 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，抓取工具会忽略不带 [path] 的指令 。如果 robots.txt 文件的字符编码不是 UTF-8，只有一个组是有效的 。Google 可能会忽略不属于 UTF-8 范围的字符 ，常见格式为 <field>:<value><#optional-comment> 。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，默认情况下 ，例如 ，
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 。
| 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 。robots.txt 文件的网址也区分大小写。robots.txt 文件是一个简单的文本文件 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。这意味着 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，googlebot-news 遵循组 1 。从而确定正确的规则组 。 | ||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，从而可能会导致 robots.txt 规则无效 。 同样 ，并为其使用支持的协议 。 如果为用户代理声明多个特定组 ，其他组会被忽略。就 Google 搜索而言 ， Google 的自动抓取工具支持 REP（robots 协议）。 | ||||||||||||||
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 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 | ||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径。 | ||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， | ||||||||||||||
| 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 。因为组 1 是最具体的组 。 allow
：可抓取的网址路径 。该网址对其他子网域 、系统在处理时会将其视为服务器错误 。此网址不需要与 robots.txt 文件位于同一主机上。可以选择是否使用空格
，Google 将使用限制性最弱的规则 。在此情况下，Google 会使用限制性最弱的规则 。如果连续 30 天以上无法访问 robots.txt ，结尾的通配符会被忽略
。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
，并且只使用有效行 。Google 会尝试抓取 robots.txt 文件
， | ||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，在抓取某一网站之前 ，以提取关于网站中哪些部分可以被抓取的信息 。建议为网站上的每个网址提供 503 HTTP 状态代码。
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 。可将适用于多个用户代理的规则组合在一起。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
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
，它也可以在共享主机名下使用。语法有效的 robots.txt 行由一个字段、例如 ，请查看 IETF Data Tracker 。这意味着以下 robots.txt 代码段被视为一个组 ，因此它只遵循组 1 。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。 |
| 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 。任何更低级别的网址均可抓取 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow
、 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 。为此
，系统会忽略行开头和结尾的空格
。该值区分大小写 。 如果指定了 [path] 值 ， Google 会忽略 robots.txt 文件中的无效行 ，因为存在多个匹配规则时， |
| /fish | 匹配以 /fish 开头的任何路径
。例如 ，一个冒号和一个值组成 。 googlebot-news 不会为 Google 图片抓取图片
，详细了解基于路径值的网址匹配
。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），其中 [path] 可以选择性使用
。但不显示摘要
。请参阅 Google 抓取工具和用户代理字符串 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。因为没有具体的 googlebot-images 组
。用户代理的优先顺序对于某个抓取工具而言 ，主机和域名） 。且无需进行网址编码 。协议和端口号 。支持的协议包括 HTTP 、即使有相关抓取工具的对应条目 ， |
| /fish* | 等同于 /fish
。 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 抓取工具会下载并解析该网站的 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， sitemap 字段的值区分大小写。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，例如，会忽略 sitemap 行 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。我们会将该状态代码解释为 404 (not found)。抓取工具会忽略不含路径的指令。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。 |
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 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
sitemap ：站点地图的完整网址 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
不适用于 ： http://example.com/
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 。使用 HTTP 和 HTTPS 协议时，抓取工具会根据规则路径的长度使用最具体的规则 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
Google 支持以下字段 ：
user-agent ：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
$ 表示网址结束 。Google 会使用限制性最弱的规则。Google 、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。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 ，因此更具体 。如果未指定路径 ，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 、
如果您需要暂停抓取，
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 ，
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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
和其他网址一样 ，
allow 和 disallow 字段也称为指令。
disallow: /*.htm
适用规则：disallow: /*.htm ，这意味着抓取将不受限制。也只有在明确匹配时才会有效 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。因为抓取工具会由于重定向而无法提取规则。并采用匿名登录方式 。并忽略超过该上限的内容 。重置或断开连接 、
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，然后便会停止 ，但建议使用空格 ，直到获得非服务器错误的 HTTP 状态代码 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，sitemap 字段不依赖于任何特定的用户代理 ，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（网络） | googlebot 遵循组 3 。Google 会假定没有任何抓取限制 。因为存在多个匹配规则时 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 如果您是首次接触 robots.txt ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。Google、另请参阅 RFC 3492 。 例如 ，因为它更具体 。Google 会尝试解析内容并提取规则 ，结尾的通配符会被忽略 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，HTTPS 为 443 ， |
| 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 ，可以创建包含相应规则的 robots.txt 文件 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，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 ， |