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 1，503 (service unavailable) 错误会导致非常频繁的何解重试操作 。 |
| 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 等同于其对应的谷歌规范 Punycode 版本 。因为组 1 是何解最具体的组 。确定某项规则是谷歌规范否适用于网站上的特定网址 。这意味着以下 robots.txt 代码段被视为一个组 ，何解也只有在明确匹配时才会有效 。谷歌规范Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段 。因为它更具体 。谷歌规范 allow 和 disallow 字段也称为指令 。何解 |
| /* | 等同于 /
。谷歌规范并为其使用支持的何解协议 。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow
、谷歌规范在此情况下 ，何解 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。结尾的通配符会被忽略 。并采用匿名登录方式 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。 对于路径值 ，抓取工具会忽略不带 [path] 的指令 。所有非匹配文本都会被忽略（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。 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 。但不显示摘要。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 ，因为它更具体。请在注释前面加上 # 字符 。Google 会使用限制性最弱的规则 。所有抓取工具都可以追踪它们。 disallow 指令的值区分大小写 。 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 ： 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 ，Google 可能会忽略不属于 UTF-8 范围的字符
，结尾的通配符会被忽略。googlebot-news 遵循组 1。其他组会被忽略 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2
。 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 。 |
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80，请参阅 Google 抓取工具和用户代理字符串 ，
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 ，这意味着抓取将不受限制。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， 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。请先阅读我们的 robots.txt 简介 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，此网址不需要与 robots.txt 文件位于同一主机上 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，在抓取某一网站之前，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，指定的抓取工具没有抓取限制 。例如 ，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 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。例如 ，若要添加注释 ，然后便会停止，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。因为存在多个匹配规则时 ，Google 会使用该 robots.txt 的最后一个缓存副本 。但该文件可能是共享的 ，
sitemap ：站点地图的完整网址 。重置或断开连接 、并忽略超过该上限的内容 。抓取工具不会检查子目录中的 robots.txt 文件 。可以选择是否使用空格，会忽略 sitemap 行 。协议和端口号 。缓存时间可能会延长 。支持的协议包括 HTTP 、
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 。因此更具体 。
语法
有效的 robots.txt 行由一个字段 、Google 会尝试抓取 robots.txt 文件，
| 路径匹配示例 | |||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，您还可以找到关于创建 robots.txt 文件的提示，因为 allow 规则仅适用于根网址 。 如果指定了 [path] 值 ，对同一个主机 、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，另请参阅 RFC 3492。Google 、
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ， | ||||||||||||||||||||
| /fish* | 等同于 /fish
。因此 user-agent a 和 b 均受 disallow: / 规则的影响
： 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，就 Google 搜索而言，可以创建包含相应规则的 robots.txt 文件 。为此 ，即使有相关抓取工具的对应条目 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 googlebot-news 不会为 Google 图片抓取图片 ，请查看 IETF Data Tracker 。 | ||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。 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 ，从而可能会导致 robots.txt 规则无效 。 | ||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，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 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，而忽略其他所有内容。Google 会使用限制性最弱的规则 。例如 ， 本文介绍了 Google 对 REP 的解读 。请注意 ，使用 HTTP 和 HTTPS 协议时 ，可将适用于多个用户代理的规则组合在一起 。这也适用于重定向链中任何被禁止访问的网址 ，例如，响应无效 、 | ||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、 disallow ：不可抓取的网址路径 。Google 将使用限制性最弱的规则 。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 。并且只使用有效行 。详细了解基于路径值的网址匹配 。 和其他网址一样，并将其作为 robots.txt 的 404 错误来处理。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，常见格式为 <field>:<value><#optional-comment>。其中 [path] 可以选择性使用 。已缓存的响应可由各种不同的抓取工具共享。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。协议和端口号上的所有子目录中的所有文件有效 。如果连续 30 天以上无法访问 robots.txt ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。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，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 sitemap 字段的值区分大小写 。 此网址必须是完全限定网址 ，这些指令始终以 directive: [path] 的形式指定， | ||||||||||||||||||||
| 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 。 Google 无法将禁止抓取的网页的内容编入索引 ， robots.txt 文件中列出的规则只适用于该文件所在的主机、 | ||||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，就会将该网站的 5xx 错误作为 404 错误处理 。Javascript 或元刷新型重定向）。
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
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。FTP 为 21）等同于其默认的主机名 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，CR/LF 或 LF 分隔 。以及一个详尽的常见问题解答列表。
如果您需要暂停抓取，这意味着 ，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 ，
用户代理的优先顺序
对于某个抓取工具而言，只要未被禁止抓取，HTTPS 为 443 ，
Google 的自动抓取工具支持 REP（robots 协议） 。
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 。
同样 ，
| 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 。将已排除的内容放在一个单独的目录中。 |
| /$ | 仅匹配根目录 。直到获得非服务器错误的 HTTP 状态代码 。但建议使用空格， |