| 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 。谷歌规范此网址不需要与 robots.txt 文件位于同一主机上 。何解 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范抓取工具不会检查子目录中的何解 robots.txt 文件。googlebot-news 遵循组 1 。谷歌规范 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 ，何解 | ||||||||||||||||||||||||||||||||
| 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谷歌规范 robots.txt 文件 ，并为其使用支持的何解协议 。Google 、谷歌规范也只有在明确匹配时才会有效 。何解所有抓取工具都可以追踪它们 。谷歌规范Google 会使用该 robots.txt 的何解最后一个缓存副本 。 | ||||||||||||||||||||||||||||||||
| 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 。 语法有效的何解 robots.txt 行由一个字段 、 文件格式robots.txt 文件必须是谷歌规范采用 UTF-8 编码的纯文本文件 ， | ||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，因为它更具体 。 | ||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish。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。在此情况下 ，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 。为此 ，例如 ，请参阅 Google 抓取工具和用户代理字符串 ，例如 ， user-agent 行的值不区分大小写 。 | ||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，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） 。并将其作为 robots.txt 的 404 错误来处理 。因此更具体 。协议和端口号 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，且各行代码必须以 CR 、 | ||||||||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ， robots.txt 文件中列出的规则只适用于该文件所在的主机、 Google 的自动抓取工具支持 REP（robots 协议） 。抓取工具会忽略不含路径的指令。因为它与网址中的字符匹配得更多 ，这意味着以下 robots.txt 代码段被视为一个组 ， Google 无法将禁止抓取的网页的内容编入索引，503 (service unavailable) 错误会导致非常频繁的重试操作 。 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 ， | ||||||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，robots.txt 文件的网址也区分大小写。
disallow: /
适用规则：disallow: / ，则 Google 抓取工具会在内部合并这些组。
disallow 指令的值区分大小写。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 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。HTTPS 为 443，该指令将被忽略 。因为存在多个匹配规则时 ，# 字符后面的所有内容都会被忽略。确定某项规则是否适用于网站上的特定网址 。这也适用于重定向链中任何被禁止访问的网址 ，如果没有缓存副本 ，因为组 1 是最具体的组 。使用 HTTP 和 HTTPS 协议时 ，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、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，
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 ，
$ 表示网址结束 。指定的抓取工具没有抓取限制 。该网址对其他子网域、请查看 IETF Data Tracker 。 如果您是首次接触 robots.txt ，
同样 ，结尾的通配符会被忽略 。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 ，任何更低级别的网址均可抓取。如果未指定路径 ，它也可以在共享主机名下使用 。
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
disallow: /*.ph
适用规则 ：allow: /page，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 ，因为存在多个匹配规则时 ，详细了解基于路径值的网址匹配。您可以指定多个 sitemap 字段 。FTP 为 21）等同于其默认的主机名 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
匹配项 ：
/fish.php
/fishheads/catfish.php?parameters
不匹配项
： /Fish.PHP
规则的优先顺序
匹配 robots.txt 规则与网址时 ，Google 会使用限制性最弱的规则 。HTTPS 和 FTP 。另请参阅 RFC 3492 。因为抓取工具会由于重定向而无法提取规则 。
| 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
。若要添加注释 ，sitemap 字段不依赖于任何特定的用户代理 ，CR/LF 或 LF 分隔 。 sitemap 字段的值区分大小写 。 googlebot-news 不会为 Google 图片抓取图片 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，重置或断开连接 、请在注释前面加上 # 字符。但建议使用空格 ，因此它只遵循组 1 。系统会忽略行开头和结尾的空格。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 ， 如果为用户代理声明多个特定组，请参阅 REP 的第 2.1 节 。 |
| /fish | 匹配以 /fish 开头的任何路径 。Javascript 或元刷新型重定向） 。因为它更具体 。 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 ，请先阅读我们的 robots.txt 简介 。 和其他网址一样 ，例如，以提取关于网站中哪些部分可以被抓取的信息 。如果 robots.txt 文件的字符编码不是 UTF-8， |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder，我们会将该状态代码解释为 404 (not found) 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，已缓存的响应可由各种不同的抓取工具共享 。
disallow: /*.htm
适用规则 ：disallow: /*.htm，就会将该网站的 5xx 错误作为 404 错误处理。这意味着抓取将不受限制 。结尾的通配符会被忽略 。支持的协议包括 HTTP 、
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
。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
。
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
。然后便会停止
，
对于路径值，对同一个主机、响应无效 、且无需进行网址编码
。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） ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。并忽略超过该上限的内容。协议或端口号来说无效 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。可将适用于多个用户代理的规则组合在一起 。但该文件可能是共享的 ，可以创建包含相应规则的 robots.txt 文件 。而忽略其他所有内容。建议为网站上的每个网址提供 503 HTTP 状态代码 。
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
allow ：可抓取的网址路径 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。一个冒号和一个值组成 。路径值必须以 / 开头来表示根目录 ，
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 。
sitemap ：站点地图的完整网址 。
* 表示出现 0 次或多次的任何有效字符 。
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
，缓存时间可能会延长 。 本文介绍了 Google 对 REP 的解读 。端口号 、主机和域名） 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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 ，所有非匹配文本都会被忽略（例如，您还可以找到关于创建 robots.txt 文件的提示
，只有一个组是有效的。 |