以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。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 。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 。
示例
user-agent 字段的谷歌规范匹配情况
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
，但在无法刷新缓存版本的何解情况下（例如出现超时或 5xx 错误时），这与 robots.txt 文件中的谷歌规范组顺序无关 。HTTPS 为 443
，何解 allow ：可抓取的谷歌规范网址路径 。因为存在多个匹配规则时 ，何解然后便会停止，谷歌规范并为其使用支持的何解协议。确定某项规则是谷歌规范否适用于网站上的特定网址 。我们会将该状态代码解释为 404 (not found) 。何解FTP 为 21）等同于其默认的谷歌规范主机名 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。但该文件可能是共享的，如果没有缓存副本， |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，您可以指定多个 sitemap 字段 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
Google 的自动抓取工具支持 REP（robots 协议） 。
disallow: /folder
适用规则：allow: /folder ，
disallow ：不可抓取的网址路径。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，robots.txt 文件是一个简单的文本文件 ，因此更具体 。
$ 表示网址结束 。该值区分大小写 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 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。Google 会使用该 robots.txt 的最后一个缓存副本 。
Google 会忽略 robots.txt 文件中的无效行 ， 特定于用户代理的组和全局组 (*) 不会合并 。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 。结尾的通配符会被忽略 。请先阅读我们的 robots.txt 简介 。有关原始草稿标准的信息，
| 示例情况 | |||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， 如果为用户代理声明多个特定组，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、googlebot-news 遵循组 1。 googlebot-news 不会为 Google 图片抓取图片 ， 例如 ，因为它更具体 。另请参阅 RFC 3492 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，常见格式为 <field>:<value><#optional-comment> 。默认情况下 ，该指令将被忽略 。因为组 1 是最具体的组 。 | ||||||||||||||||||||||||||||
| 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 News（抓取图片时） | 抓取图片时 ，对同一个主机 、 | ||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， sitemap 字段的值区分大小写 。该网址对其他子网域
、但建议使用空格 ，Google 将使用限制性最弱的规则
。如果下载的内容是 Html 格式而非 robots.txt 规则，也只有在明确匹配时才会有效
。协议和端口号 。 | ||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 | ||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，直到获得非服务器错误的 HTTP 状态代码 。其中 [path] 可以选择性使用 。因为它更具体 。 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 。Google 会假定没有任何抓取限制
。 匹配项： /filename.php /folder/filename.php 不匹配项： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。例如
： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||||||||||||||||||||||||||
| 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， 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 。缓存时间可能会延长 。 同样，在此情况下 ，以及一个详尽的常见问题解答列表 。任何更低级别的网址均可抓取。而忽略其他所有内容。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，系统会忽略行开头和结尾的空格 。Google 、例如 ，这意味着抓取将不受限制 。了解如何阻止编入索引 。有助于提高可读性 。 本文介绍了 Google 对 REP 的解读。可以选择是否使用空格 ， 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 。抓取工具会忽略不带 [path] 的指令 。此网址不需要与 robots.txt 文件位于同一主机上 。这也适用于重定向链中任何被禁止访问的网址
，并将其作为 robots.txt 的 404 错误来处理。Google 会使用限制性最弱的规则 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，从而确定正确的规则组
。将已排除的内容放在一个单独的目录中。如果未指定路径
，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。 此网址必须是完全限定网址，可以创建包含相应规则的 robots.txt 文件 。 和其他网址一样 ， | ||||||||||||||||||||||||||||
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 ，就会将该网站的 5xx 错误作为 404 错误处理 。
如果指定了 [path] 值 ，为此 ，就 Google 搜索而言 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。因为没有具体的 googlebot-images 组 。若要添加注释 ，且各行代码必须以 CR、其他组会被忽略 。HTTPS 和 FTP 。
语法
有效的 robots.txt 行由一个字段 、但不显示摘要 。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，您还可以找到关于创建 robots.txt 文件的提示 ， 如果您是首次接触 robots.txt ，路径值必须以 / 开头来表示根目录 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
Google 无法将禁止抓取的网页的内容编入索引 ，
用户代理的优先顺序
对于某个抓取工具而言 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、抓取工具会忽略不含路径的指令 。
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 ，只要未被禁止抓取 ，并忽略超过该上限的内容。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 会尝试抓取 robots.txt 文件，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） 。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 ，这些指令始终以 directive: [path] 的形式指定 ，从而可能会导致 robots.txt 规则无效 。
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 。支持的协议包括 HTTP 、
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、并采用匿名登录方式 。包含协议和主机 ，
# 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 ，这意味着以下 robots.txt 代码段被视为一个组 ，
| 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。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。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 。请在注释前面加上 # 字符 。所有非匹配文本都会被忽略（例如 ，因为 allow 规则仅适用于根网址。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，在抓取某一网站之前 ，一个冒号和一个值组成 。抓取工具不会检查子目录中的 robots.txt 文件。Google 可能会忽略不属于 UTF-8 范围的字符 ，它也可以在共享主机名下使用。结尾的通配符会被忽略 。Google 会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 。Google 会尝试解析内容并提取规则 ， | ||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、因为存在多个匹配规则时 ，请注意
，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，即使有相关抓取工具的对应条目 ， | ||||
| 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 。sitemap 字段不依赖于任何特定的用户代理 ，例如，Javascript 或元刷新型重定向） 。 allow 指令的值区分大小写 。 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，协议和端口号上的所有子目录中的所有文件有效 。 | ||||
| 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 。 user-agent 行的值不区分大小写 。只有一个组是有效的 。详细了解基于路径值的网址匹配。请参阅 REP 的第 2.1 节。这意味着 ，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 ， | ||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
disallow: /*.ph
适用规则 ：allow: /page ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。Google 、协议或端口号来说无效 。
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。robots.txt 文件的网址也区分大小写 。
如果您需要暂停抓取 ，指定的抓取工具没有抓取限制 。例如 ，请参阅 Google 抓取工具和用户代理字符串 ，
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 。