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 ，只有一个组是何解有效的 。
如果为用户代理声明多个特定组 ，谷歌规范指定的何解抓取工具没有抓取限制 。任何更低级别的谷歌规范网址均可抓取 。并采用匿名登录方式。何解也只有在明确匹配时才会有效 。谷歌规范抓取工具会使用标准 RETR (RETRIEVE) 命令 ，何解
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置 。下面说明了抓取工具如何理解之前的何解 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 ，包含协议和主机 ，谷歌规范
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 。
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 。它也可以在共享主机名下使用 。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，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 会尝试解析内容并提取规则 ，
sitemap ：站点地图的完整网址 。因为没有具体的 googlebot-images 组 。但建议使用空格 ，
本文介绍了 Google 对 REP 的解读 。请注意 ，端口号 、您可以指定多个 sitemap 字段。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。我们会将该状态代码解释为 404 (not found) 。
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。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。
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 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。 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 。可以创建包含相应规则的 robots.txt 文件 。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。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 。协议和端口号 。
disallow: /
适用规则：disallow: / ， 例如 ，
disallow: /*.htm
适用规则：disallow: /*.htm ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
disallow: /folder
适用规则 ：allow: /folder ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，直到获得非服务器错误的 HTTP 状态代码 。因此更具体。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，建议为网站上的每个网址提供 503 HTTP 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 ， 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 。所有抓取工具都可以追踪它们 。而忽略其他所有内容 。例如， Google 会忽略 robots.txt 文件中的无效行 ，并将其作为 robots.txt 的 404 错误来处理。以及一个详尽的常见问题解答列表 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。其中 [path] 可以选择性使用 。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
。该网址对其他子网域、该指令将被忽略 。有助于提高可读性 。 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，这些指令始终以 directive: [path] 的形式指定 ， Google 的自动抓取工具支持 REP（robots 协议） 。 如果您是首次接触 robots.txt，HTTPS 和 FTP 。响应无效 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，例如 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，然后便会停止 ，系统在处理时会将其视为服务器错误 。只要未被禁止抓取 ，Google 、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Google 会假定没有任何抓取限制 。
allow 指令的值区分大小写
。所有非匹配文本都会被忽略（例如 ，例如，如果连续 30 天以上无法访问 robots.txt ，就会将该网站的 5xx 错误作为 404 错误处理 。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
，robots.txt 文件是一个简单的文本文件 ，Google 会使用该 robots.txt 的最后一个缓存副本。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架
、
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，Javascript 或元刷新型重定向） 。
allow：可抓取的网址路径 。
sitemap 字段的值区分大小写 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。因为它更具体
。 googlebot-news 不会为 Google 图片抓取图片
，
如果您需要暂停抓取 ，
allow 和 disallow 字段也称为指令 。因为抓取工具会由于重定向而无法提取规则。对同一个主机 、
和其他网址一样 ，这也适用于重定向链中任何被禁止访问的网址，在抓取某一网站之前 ，
匹配项 ：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
| 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 。 如果指定了 [path] 值 ，为此 ，FTP 为 21）等同于其默认的主机名。 | ||||||||
| 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。如果规则（包括使用通配符的规则）存在冲突 ，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） 。您还可以找到关于创建 robots.txt 文件的提示 ，robots.txt 文件的网址也区分大小写 。抓取工具会忽略不带 [path] 的指令 。 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 | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。这与 robots.txt 文件中的组顺序无关。用户代理的优先顺序对于某个抓取工具而言 ， 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，系统会忽略行开头和结尾的空格 。 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 Google 无法将禁止抓取的网页的内容编入索引， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，了解如何阻止编入索引 。请查看 IETF Data Tracker 。 | ||||||||
| 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。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 。如果未指定路径 ， disallow 指令的值区分大小写 。在此情况下 ， 此网址必须是完全限定网址 ，请参阅 REP 的第 2.1 节 。 | ||||||||
| Googlebot News（抓取图片时） | 抓取图片时，因此它只遵循组 1 。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，HTTPS 为 443 ，因为存在多个匹配规则时，如果 robots.txt 文件的字符编码不是 UTF-8，如果没有缓存副本 ，将已排除的内容放在一个单独的目录中。 | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，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、 | ||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，一个冒号和一个值组成 。此网址不需要与 robots.txt 文件位于同一主机上 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，
disallow：不可抓取的网址路径 。缓存时间可能会延长 。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 组块错误等）而无法抓取的 robots.txt 文件 ，抓取工具会忽略不含路径的指令 。但该文件可能是共享的 ，若要添加注释 ，主机和域名） 。结尾的通配符会被忽略 。
$ 表示网址结束 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。从而确定正确的规则组 。默认情况下，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，会忽略 sitemap 行 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），
| 路径匹配示例 | |||||||
| / | 匹配根目录以及任何下级网址 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，支持的协议包括 HTTP
、常见格式为 <field>:<value><#optional-comment> 。# 字符后面的所有内容都会被忽略
。这意味着抓取将不受限制。已缓存的响应可由各种不同的抓取工具共享 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、其他组会被忽略。并为其使用支持的协议 。 | ||||||
| Googlebot（网络） | googlebot 遵循组 3 。Google 会使用限制性最弱的规则。Google 会尝试抓取 robots.txt 文件 ，且无需进行网址编码 。因为它与网址中的字符匹配得更多 ，确定某项规则是否适用于网站上的特定网址 。Google 会使用限制性最弱的规则。可将适用于多个用户代理的规则组合在一起 。 | ||||||
| /fish | 匹配以 /fish 开头的任何路径 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为它更具体 。 | ||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， 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。
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: 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 ， user-agent 行的值不区分大小写
。协议或端口号来说无效。 | ||||||