规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，谷歌规范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 。
disallow: /
适用规则 ：allow: /$，谷歌规范它也可以在共享主机名下使用 。何解Google 可能会忽略不属于 UTF-8 范围的谷歌规范字符 ，但建议使用空格 ，何解因为 allow 规则仅适用于根网址。谷歌规范Google 会尝试解析内容并提取规则 ，何解
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 ，谷歌规范且各行代码必须以 CR、何解只有一个组是谷歌规范有效的。确定某项规则是何解否适用于网站上的特定网址 。
用户代理的谷歌规范优先顺序
对于某个抓取工具而言 ，
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。该指令将被忽略。
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 ，默认情况下 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
| 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 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。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 。并且只使用有效行。 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 ，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，已缓存的响应可由各种不同的抓取工具共享 。503 (service unavailable) 错误会导致非常频繁的重试操作。所有抓取工具都可以追踪它们 。一个冒号和一个值组成。Google 将使用限制性最弱的规则。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。请参阅 Google 抓取工具和用户代理字符串 ， | ||||||||||||||||||||||
| 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 。主机和域名） 。您还可以找到关于创建 robots.txt 文件的提示 ，# 字符后面的所有内容都会被忽略。系统会忽略行开头和结尾的空格 。 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 。会忽略 sitemap 行 。另请参阅 RFC 3492 。 | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，
规则的优先顺序匹配 robots.txt 规则与网址时，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，抓取工具不会检查子目录中的 robots.txt 文件 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因为抓取工具会由于重定向而无法提取规则 。因为组 1 是最具体的组 。 | ||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。协议和端口号上的所有子目录中的所有文件有效
。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 会使用限制性最弱的规则 。系统在处理时会将其视为服务器错误。在抓取某一网站之前 ， 如果您是首次接触 robots.txt ，且无需进行网址编码
。并采用匿名登录方式 。该网址对其他子网域 、 disallow 指令的值区分大小写 。Google、 语法有效的 robots.txt 行由一个字段 、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定， | ||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。如果 robots.txt 文件的字符编码不是 UTF-8 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）
， sitemap 字段的值区分大小写 。了解如何阻止编入索引 。只要未被禁止抓取 ，指定的抓取工具没有抓取限制 。就会将该网站的 5xx 错误作为 404 错误处理。 如果为用户代理声明多个特定组 ， | ||||||||||||||||||||||
| /$ | 仅匹配根目录。FTP 为 21）等同于其默认的主机名 。从而可能会导致 robots.txt 规则无效。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。对同一个主机 、HTTPS 为 443，因为存在多个匹配规则时 ， | ||||||||||||||||||||||
| 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 。并忽略超过该上限的内容 。重置或断开连接 、抓取工具会根据规则路径的长度使用最具体的规则 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。抓取工具会忽略不带 [path] 的指令 。 | ||||||||||||||||||||||
| 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
。请在注释前面加上 # 字符 。缓存时间可能会延长 。 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
。有关原始草稿标准的信息 ，如果未指定路径 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。HTTP 组块错误等）而无法抓取的 robots.txt 文件
， 如果指定了 [path] 值，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，因为它更具体 。Google 会假定没有任何抓取限制 。请查看 IETF Data Tracker 。googlebot-news 遵循组 1 。 例如 ， Google 无法将禁止抓取的网页的内容编入索引 ，包含协议和主机 ， allow ：可抓取的网址路径。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。Google 会尝试抓取 robots.txt 文件 ，即使有相关抓取工具的对应条目 ，例如 ，响应无效 、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 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， | ||||||||||||||||||||||
| /* | 等同于 / 。 | ||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3
。因此更具体 。Google 会使用该 robots.txt 的最后一个缓存副本
。Javascript 或元刷新型重定向） 。 $ 表示网址结束 。其中 [path] 可以选择性使用。抓取工具会忽略不含路径的指令。使用 HTTP 和 HTTPS 协议时 ，这也适用于重定向链中任何被禁止访问的网址 ， 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 的自动抓取工具支持 REP（robots 协议） 。结尾的通配符会被忽略。 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 ，例如 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， | ||||||||||||||||||||||
| 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 。所有非匹配文本都会被忽略（例如 ，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 ，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 。直到获得非服务器错误的 HTTP 状态代码 。我们会将该状态代码解释为 404 (not found) 。robots.txt 文件的网址也区分大小写 。有助于提高可读性。因为它与网址中的字符匹配得更多 ，并为其使用支持的协议 。 特定于用户代理的组和全局组 (*) 不会合并。 | ||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。以及一个详尽的常见问题解答列表 。就 Google 搜索而言
，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 。端口号 、 sitemap ：站点地图的完整网址 。如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，如果规则（包括使用通配符的规则）存在冲突 ，可以创建包含相应规则的 robots.txt 文件 。因此它只遵循组 1 。
allow 指令的值区分大小写 。任何更低级别的网址均可抓取 。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） 。可将适用于多个用户代理的规则组合在一起 。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 ，请参阅 REP 的第 2.1 节。但该文件可能是共享的 ，因为没有具体的 googlebot-images 组 。支持的协议包括 HTTP 、
同样 ，这与 robots.txt 文件中的组顺序无关 。
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 。
| 示例情况 | |||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，若要添加注释 ，可以选择是否使用空格 ，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） ，将已排除的内容放在一个单独的目录中 。 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。为此 ，Google 、 对于路径值 ，例如 ， disallow ：不可抓取的网址路径。也只有在明确匹配时才会有效 。 | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 | ||||||||
| http://example.com/folder/robots.txt | 不是有效的 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 ：
| ||||||||