| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。谷歌规范 googlebot-news 不会为 Google 图片抓取图片
，何解如果未指定路径 ，谷歌规范
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ， | ||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。 disallow ：不可抓取的网址路径。常见格式为 <field>:<value><#optional-comment> 。因此更具体 。 Google 会忽略 robots.txt 文件中的无效行 ，在抓取某一网站之前，例如 ，Javascript 或元刷新型重定向） 。 allow ：可抓取的网址路径 。因为它更具体 。该网址对其他子网域 、路径值必须以 / 开头来表示根目录 ， | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，因为它与网址中的字符匹配得更多 ，只要未被禁止抓取，例如 ， | ||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 | ||||||||||||||||||
| /* | 等同于 / 。协议或端口号来说无效 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，503 (service unavailable) 错误会导致非常频繁的重试操作。例如， 如果为用户代理声明多个特定组， 对于路径值， Google 的自动抓取工具支持 REP（robots 协议） 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 sitemap ：站点地图的完整网址 。系统会忽略行开头和结尾的空格 。sitemap 字段不依赖于任何特定的用户代理 ，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 。Google 会尝试解析内容并提取规则 ， | ||||||||||||||||||
| 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 ，而忽略其他所有内容 。请在注释前面加上 # 字符 。 | ||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，默认情况下 ，并且只使用有效行 。 语法有效的 robots.txt 行由一个字段 、如果 robots.txt 文件的字符编码不是 UTF-8，FTP 为 21）等同于其默认的主机名。 | ||||||||||||||||||
| 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 。 | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 如果指定了 [path] 值 ， | ||||||||||||||||||
| 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。# 字符后面的所有内容都会被忽略 。会忽略 sitemap 行 。为此 ， 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。并将其作为 robots.txt 的 404 错误来处理 。因为存在多个匹配规则时， $ 表示网址结束 。这些指令始终以 directive: [path] 的形式指定 ， 特定于用户代理的组和全局组 (*) 不会合并 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、该值区分大小写 。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。但可能仍会将其网址编入索引并将其显示在搜索结果中，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，了解如何阻止编入索引 。googlebot-news 遵循组 1 。就会将该网站的 5xx 错误作为 404 错误处理。
用户代理的优先顺序
对于某个抓取工具而言 ，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 。因为 allow 规则仅适用于根网址
。这意味着以下 robots.txt 代码段被视为一个组
，
如果您需要暂停抓取，
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，
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 。且无需进行网址编码。响应无效 、抓取工具会忽略不带 [path] 的指令 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，有关原始草稿标准的信息 ，您可以指定多个 sitemap 字段 。已缓存的响应可由各种不同的抓取工具共享 。
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 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。 此网址必须是完全限定网址 ，主机和域名） 。
allow 和 disallow 字段也称为指令 。
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 ，请先阅读我们的 robots.txt 简介。然后便会停止 ，HTTPS 和 FTP 。如果没有缓存副本，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。
同样，从而确定正确的规则组 。因为没有具体的 googlebot-images 组 。从而可能会导致 robots.txt 规则无效 。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 。另请参阅 RFC 3492 。robots.txt 文件的网址也区分大小写 。这意味着 ，所有非匹配文本都会被忽略（例如 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，也只有在明确匹配时才会有效 。该指令将被忽略 。只有一个组是有效的 。系统在处理时会将其视为服务器错误。缓存时间可能会延长。如果连续 30 天以上无法访问 robots.txt ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，Google 会使用该 robots.txt 的最后一个缓存副本 。其中 [path] 可以选择性使用 。
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 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 例如 ，有助于提高可读性。指定的抓取工具没有抓取限制。 |
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，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 、robots.txt 文件是一个简单的文本文件 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ，抓取工具会根据规则路径的长度使用最具体的规则 。这意味着抓取将不受限制。则 Google 抓取工具会在内部合并这些组。支持的协议包括 HTTP、可将适用于多个用户代理的规则组合在一起 。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 。Google 会尝试抓取 robots.txt 文件 ，可以创建包含相应规则的 robots.txt 文件 。抓取工具不会检查子目录中的 robots.txt 文件。直到获得非服务器错误的 HTTP 状态代码 。例如 ，详细了解基于路径值的网址匹配 。Bing 和其他主流搜索引擎支持有限形式的通配符。若要添加注释 ， 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 。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） 。在此情况下 ， 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， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 将使用限制性最弱的规则 。协议和端口号上的所有子目录中的所有文件有效。结尾的通配符会被忽略。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，即使有相关抓取工具的对应条目，所有抓取工具都可以追踪它们。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 。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 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 。因此它只遵循组 1
。 如果我们能够确定， |
| Googlebot Images | googlebot-images 遵循组 2 ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，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 ，
和其他网址一样 ，且各行代码必须以 CR 、协议和端口号 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，
Google 无法将禁止抓取的网页的内容编入索引 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。以提取关于网站中哪些部分可以被抓取的信息 。这也适用于重定向链中任何被禁止访问的网址 ，因为它更具体 。
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 ，一个冒号和一个值组成 。抓取工具会忽略不含路径的指令 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、此网址不需要与 robots.txt 文件位于同一主机上
。因为存在多个匹配规则时，确定某项规则是否适用于网站上的特定网址 。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
，
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
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，但建议使用空格 ，Google 会使用限制性最弱的规则。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p，但该文件可能是共享的 ，Google 会假定没有任何抓取限制 。 |