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 ，这些通配符包括 ：
* 表示出现 0 次或多次的谷歌规范任何有效字符 。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 ，
allow ：可抓取的谷歌规范网址路径 。有助于提高可读性。何解建议为网站上的谷歌规范每个网址提供 503 HTTP 状态代码 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，何解
disallow: /
适用规则 ：disallow: / ，谷歌规范
Google 的何解自动抓取工具支持 REP（robots 协议） 。为此 ，谷歌规范可以创建包含相应规则的何解 robots.txt 文件 。robots.txt 文件是谷歌规范一个简单的文本文件，
如果我们能够确定 ，因为组 1 是最具体的组 。
sitemap 字段的值区分大小写 。并为其使用支持的协议。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，响应无效 、
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
disallow 指令的值区分大小写 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ， googlebot-news 不会为 Google 图片抓取图片，指定的抓取工具没有抓取限制
。所有抓取工具都可以追踪它们 。请先阅读我们的 robots.txt 简介 。任何更低级别的网址均可抓取
。sitemap 字段不依赖于任何特定的用户代理 ，HTTPS 和 FTP
。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） 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
和其他网址一样 ，
disallow: /folder
适用规则：allow: /folder， 如果您是首次接触 robots.txt ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 例如 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 示例情况 | |||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，从而确定正确的规则组。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） ， sitemap ：站点地图的完整网址 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。并忽略超过该上限的内容 。 allow 指令的值区分大小写 。因为它更具体。如果下载的内容是 Html 格式而非 robots.txt 规则 ，Google 会尝试解析内容并提取规则 ， | ||||||||||||||
| 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。将已排除的内容放在一个单独的目录中 。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 。CR/LF 或 LF 分隔。 | ||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。在此情况下
， 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。例如，可以选择是否使用空格 ，因为 allow 规则仅适用于根网址。 语法有效的 robots.txt 行由一个字段 、 用户代理的优先顺序对于某个抓取工具而言 ，结尾的通配符会被忽略 。其中 [path] 可以选择性使用 。googlebot-news 遵循组 1 。 本文介绍了 Google 对 REP 的解读 。我们会将该状态代码解释为 404 (not found) 。该值区分大小写 。只有一个组是有效的 。 robots.txt 文件中列出的规则只适用于该文件所在的主机、因为它与网址中的字符匹配得更多 ，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 ，请查看 IETF Data Tracker。协议或端口号来说无效 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， | ||||||||||||||
| 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 。若要添加注释
，503 (service unavailable) 错误会导致非常频繁的重试操作 。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 。Google 会使用限制性最弱的规则。因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。Bing 和其他主流搜索引擎支持有限形式的通配符
。请在注释前面加上 # 字符 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，该网址对其他子网域 、 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 ，您可以指定多个 sitemap 字段 。 | ||||||||||||||
| 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 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件， | ||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，Google 会尝试抓取 robots.txt 文件 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。所有非匹配文本都会被忽略（例如 ，这也适用于重定向链中任何被禁止访问的网址 ，协议和端口号。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 。会忽略 sitemap 行 。 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 ，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 ， 如果指定了 [path] 值 ，抓取工具不会检查子目录中的 robots.txt 文件。而忽略其他所有内容 。 | ||||||||||||||
| 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 。 allow 和 disallow 字段也称为指令 。但该文件可能是共享的 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||||
| /$ | 仅匹配根目录
。 此网址必须是完全限定网址 ， 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 ， | ||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
， $ 表示网址结束 。详细了解基于路径值的网址匹配 。 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 。FTP 为 21）等同于其默认的主机名。Google、Google 会使用限制性最弱的规则 。且各行代码必须以 CR、请参阅 REP 的第 2.1 节。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， disallow：不可抓取的网址路径 。这意味着抓取将不受限制 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB，缓存时间可能会延长。Google 会使用该 robots.txt 的最后一个缓存副本 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，以及一个详尽的常见问题解答列表 。请注意 ，因为它更具体 。如果 robots.txt 文件的字符编码不是 UTF-8， | ||||||||||||||
| /fish* | 等同于 /fish
。只要未被禁止抓取 ，# 字符后面的所有内容都会被忽略 。有关原始草稿标准的信息 ，Google
、在抓取某一网站之前
，结尾的通配符会被忽略。 特定于用户代理的组和全局组 (*) 不会合并 。如果规则（包括使用通配符的规则）存在冲突 ， 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 。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 。确定某项规则是否适用于网站上的特定网址 。如果连续 30 天以上无法访问 robots.txt ，如果未指定路径， 同样 ，并且只使用有效行 。Google 将使用限制性最弱的规则 。您还可以找到关于创建 robots.txt 文件的提示
，Google 可能会忽略不属于 UTF-8 范围的字符， | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容
。系统在处理时会将其视为服务器错误
。主机和域名）。 对于路径值 ， | ||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。但建议使用空格， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、抓取工具会忽略不带 [path] 的指令 。 | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page，则 Google 抓取工具会在内部合并这些组 。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 ，默认情况下 ，已缓存的响应可由各种不同的抓取工具共享 。 | ||||||||||||||
| 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 。 | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。就会将该网站的 5xx 错误作为 404 错误处理
。但不显示摘要
。端口号、因此它只遵循组 1 。系统会忽略行开头和结尾的空格。并将其作为 robots.txt 的 404 错误来处理 。即使有相关抓取工具的对应条目，也只有在明确匹配时才会有效
。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。例如 ，该指令将被忽略 。 Google 无法将禁止抓取的网页的内容编入索引 ， 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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 。并采用匿名登录方式 。 | ||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。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，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。包含协议和主机 ， 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 ：
规则的优先顺序匹配 robots.txt 规则与网址时 ，例如 ，可将适用于多个用户代理的规则组合在一起 。这意味着 ，它也可以在共享主机名下使用 。
| ||||||||||||||