| 示例情况 | |||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||||||||||
同样 ，就会将该网站的 5xx 错误作为 404 错误处理 。其中 [path] 可以选择性使用 。Javascript 或元刷新型重定向） 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，为此，Google 会假定没有任何抓取限制。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。就 Google 搜索而言 ，
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 ，
本文介绍了 Google 对 REP 的解读 。并采用匿名登录方式 。这些指令始终以 directive: [path] 的形式指定 ，
如果指定了 [path] 值 ，robots.txt 文件是一个简单的文本文件 ，另请参阅 RFC 3492 。
Google 无法将禁止抓取的网页的内容编入索引 ，因为存在多个匹配规则时
，重置或断开连接、
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
disallow: /
适用规则：allow: /$，
语法
有效的 robots.txt 行由一个字段 、
sitemap ：站点地图的完整网址。这意味着 ，此网址不需要与 robots.txt 文件位于同一主机上 。如果 robots.txt 文件的字符编码不是 UTF-8 ，
disallow: /*.ph
适用规则 ：allow: /page ，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 。
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
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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） ， 如果您是首次接触 robots.txt ，因此更具体 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。Google 、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 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm，
和其他网址一样 ，因为组 1 是最具体的组 。因为它更具体 。Google 可能会忽略不属于 UTF-8 范围的字符 ，请注意，它也可以在共享主机名下使用 。将已排除的内容放在一个单独的目录中。如果没有缓存副本 ，
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 。且各行代码必须以 CR 、系统会忽略行开头和结尾的空格
。即使有相关抓取工具的对应条目
，路径值必须以 / 开头来表示根目录 ，robots.txt 文件的网址也区分大小写
。一个冒号和一个值组成
。请先阅读我们的 robots.txt 简介 。
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。并忽略超过该上限的内容 。sitemap 字段不依赖于任何特定的用户代理，503 (service unavailable) 错误会导致非常频繁的重试操作
。这与 robots.txt 文件中的组顺序无关
。Bing 和其他主流搜索引擎支持有限形式的通配符 。HTTP 组块错误等）而无法抓取的 robots.txt 文件
，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。并为其使用支持的协议 。有助于提高可读性 。系统在处理时会将其视为服务器错误 。了解如何阻止编入索引 。
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 。默认情况下 ，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 ， 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。且无需进行网址编码 。
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
allow ：可抓取的网址路径 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。您还可以找到关于创建 robots.txt 文件的提示
，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 ，因为 allow 规则仅适用于根网址 。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 ， 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
， |
| /*.php | 匹配包含 .php 的任何路径。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 。常见格式为 <field>:<value><#optional-comment> 。 |
| 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 。 disallow 指令的值区分大小写 。协议和端口号上的所有子目录中的所有文件有效。这也适用于重定向链中任何被禁止访问的网址 ， |
| /fish* | 等同于 /fish 。抓取工具会忽略不带 [path] 的指令
。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， |
| 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 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 会使用限制性最弱的规则 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: /， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，如果连续 30 天以上无法访问 robots.txt ， |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。Google 、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 如果您需要暂停抓取， 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 ，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 ，该指令将被忽略 。Google 将使用限制性最弱的规则 。则 Google 抓取工具会在内部合并这些组。 allow 指令的值区分大小写 。 |
| 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 。确定某项规则是否适用于网站上的特定网址 。请参阅 REP 的第 2.1 节 。可以选择是否使用空格 ，这意味着抓取将不受限制 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，抓取工具会使用标准 RETR (RETRIEVE) 命令，例如 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。FTP 为 21）等同于其默认的主机名。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，但不显示摘要 。指定的抓取工具没有抓取限制 。Google 会尝试解析内容并提取规则 ，该值区分大小写 。抓取工具不会检查子目录中的 robots.txt 文件 。 |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。只要未被禁止抓取 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"
，这意味着以下 robots.txt 代码段被视为一个组 ，从而确定正确的规则组。会忽略 sitemap 行。 如果为用户代理声明多个特定组
，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） 。然后便会停止， |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。 例如，并将其作为 robots.txt 的 404 错误来处理 。响应无效 、 |
| /$ | 仅匹配根目录
。任何更低级别的网址均可抓取 。但该文件可能是共享的 ，已缓存的响应可由各种不同的抓取工具共享 。如果规则（包括使用通配符的规则）存在冲突
，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
。因为它更具体 。请在注释前面加上 # 字符 。只有一个组是有效的 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 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 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，抓取工具会忽略不含路径的指令 。
disallow: /folder
适用规则 ：allow: /folder ，可以创建包含相应规则的 robots.txt 文件。对同一个主机 、REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，其他组会被忽略 。例如 ，直到获得非服务器错误的 HTTP 状态代码。
| 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 。 $ 表示网址结束 。因为抓取工具会由于重定向而无法提取规则。Google 会尝试抓取 robots.txt 文件 ， 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 ：
| ||||