user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、谷歌规范
sitemap 字段的何解值区分大小写 。响应无效 、谷歌规范这意味着抓取将不受限制 。何解
$ 表示网址结束 。谷歌规范Javascript 或元刷新型重定向） 。何解
| 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。谷歌规范 | ||||||||
| /* | 等同于 / 。何解该指令将被忽略 。谷歌规范端口号 、robots.txt 文件是一个简单的文本文件 ，使用 HTTP 和 HTTPS 协议时 ，路径值必须以 / 开头来表示根目录， | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。其中 [path] 可以选择性使用 。但建议使用空格 ， | ||||||||
| /fish | 匹配以 /fish 开头的任何路径。协议或端口号来说无效
。 如果为用户代理声明多个特定组 ，因为存在多个匹配规则时 ， | ||||||||
| 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 。即使有相关抓取工具的对应条目 ，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 ， disallow 指令的值区分大小写 。此网址不需要与 robots.txt 文件位于同一主机上 。
| ||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||
| /*.php | 匹配包含 .php 的任何路径。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，抓取工具会根据规则路径的长度使用最具体的规则 。因此它只遵循组 1
。但该文件可能是共享的 ，以提取关于网站中哪些部分可以被抓取的信息。Google
、HTTPS 和 FTP
。HTTPS 为 443 ，抓取工具不会检查子目录中的 robots.txt 文件
。默认情况下 ，请先阅读我们的 robots.txt 简介。例如
，如果 robots.txt 文件的字符编码不是 UTF-8 ， 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 。但不显示摘要 。您可以指定多个 sitemap 字段 。请参阅 REP 的第 2.1 节 。且各行代码必须以 CR 、指定的抓取工具没有抓取限制。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，为此 ，因为它更具体 。并且只使用有效行 。 | ||||||||
| 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 ，可将适用于多个用户代理的规则组合在一起 。在此情况下 ，然后便会停止 ，系统会忽略行开头和结尾的空格 。Google 会假定没有任何抓取限制 。请注意 ，以及一个详尽的常见问题解答列表 。 如果您是首次接触 robots.txt ，一个冒号和一个值组成。 | ||||||||
| /$ | 仅匹配根目录。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，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。因此更具体 。只要未被禁止抓取 ，因为存在多个匹配规则时 ，因为它与网址中的字符匹配得更多 ，也只有在明确匹配时才会有效 。 | ||||||||
| /fish* | 等同于 /fish
。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 ，重置或断开连接、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
，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
。 Google 会忽略 robots.txt 文件中的无效行
，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） ，另请参阅 RFC 3492 。 | ||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ， 此网址必须是完全限定网址 ，
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，googlebot-news 遵循组 1 。支持的协议包括 HTTP、因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
Google 的自动抓取工具支持 REP（robots 协议）。常见格式为 <field>:<value><#optional-comment>。
disallow: /*.ph
适用规则 ：allow: /page ，会忽略 sitemap 行。
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 ，将已排除的内容放在一个单独的目录中 。
| 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 。因为没有具体的 googlebot-images 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） 。直到获得非服务器错误的 HTTP 状态代码。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，Google 会使用该 robots.txt 的最后一个缓存副本 。 语法有效的 robots.txt 行由一个字段、 robots.txt 文件中列出的规则只适用于该文件所在的主机 、因为组 1 是最具体的组。可以选择是否使用空格 ，从而可能会导致 robots.txt 规则无效 。如果没有缓存副本， Google 支持以下字段 ： user-agent：标识相应规则适用于哪些抓取工具 。确定某项规则是否适用于网站上的特定网址 。 | ||||||||||||||||||||||||||
| 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 ， 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 ， | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 对于路径值 ， allow 和 disallow 字段也称为指令 。则 Google 抓取工具会在内部合并这些组。并为其使用支持的协议 。 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 ， 本文介绍了 Google 对 REP 的解读 。有助于提高可读性 。可以创建包含相应规则的 robots.txt 文件 。 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。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，任何更低级别的网址均可抓取 。 googlebot-news 不会为 Google 图片抓取图片 ，包含协议和主机 ， | ||||||||||||||||||||||||||
| 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。sitemap 字段不依赖于任何特定的用户代理 ，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 可能会忽略不属于 UTF-8 范围的字符 ， | ||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，例如，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。这意味着 ，其他组会被忽略 。
# 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 ，CR/LF 或 LF 分隔 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，# 字符后面的所有内容都会被忽略 。
Google 无法将禁止抓取的网页的内容编入索引 ，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 。而忽略其他所有内容 。结尾的通配符会被忽略 。结尾的通配符会被忽略 。
allow 指令的值区分大小写 。对同一个主机 、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 。
和其他网址一样，系统在处理时会将其视为服务器错误 。Google 会尝试抓取 robots.txt 文件 ，如果未指定路径，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，该网址对其他子网域 、且无需进行网址编码。我们会将该状态代码解释为 404 (not found)。例如 ，robots.txt 文件的网址也区分大小写 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为 allow 规则仅适用于根网址
。Google 会尝试解析内容并提取规则，并忽略超过该上限的内容 。Google 将使用限制性最弱的规则
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，所有抓取工具都可以追踪它们 。请在注释前面加上 # 字符 。 |