| 路径匹配示例 | |||||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。何解并采用匿名登录方式 。谷歌规范您还可以找到关于创建 robots.txt 文件的何解提示 ，因为没有具体的谷歌规范 googlebot-images 组 。这意味着抓取将不受限制。何解 | ||||||||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的谷歌规范任何路径。该网址对其他子网域 、何解 | ||||||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。谷歌规范 匹配项 ： /fish /fish.html /fish/salmon.html /fishheads /fishheads/yummy.html /fish.php?何解id=anything 不匹配项 ： /Fish.asp /catfish /?id=fish | ||||||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码
，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。何解因此 user-agent a 和 b 均受 disallow: / 规则的谷歌规范影响
： 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 ，而忽略其他所有内容 。何解 | ||||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是谷歌规范有效的 robots.txt 文件。 此网址必须是完全限定网址 ，详细了解基于路径值的网址匹配
。在抓取某一网站之前 ， 本文介绍了 Google 对 REP 的解读 。 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 ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，您可以指定多个 sitemap 字段 。 | ||||||||||||||||||||||||||||||||||||
| 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 。且无需进行网址编码 。 | ||||||||||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 。但建议使用空格 ，并为其使用支持的协议 。缓存时间可能会延长。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 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
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。如果连续 30 天以上无法访问 robots.txt ，如果没有缓存副本 ，抓取工具会忽略不含路径的指令 。从而可能会导致 robots.txt 规则无效 。
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 。系统在处理时会将其视为服务器错误 。其中 [path] 可以选择性使用。# 字符后面的所有内容都会被忽略 。端口号 、请查看 IETF Data Tracker
。
Google 的自动抓取工具支持 REP（robots 协议） 。
用户代理的优先顺序
对于某个抓取工具而言 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。就 Google 搜索而言 ，
disallow: /folder
适用规则 ：allow: /folder ，为此 ，503 (service unavailable) 错误会导致非常频繁的重试操作。所有非匹配文本都会被忽略（例如， 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。Google 会假定没有任何抓取限制 。
user-agent 行的值不区分大小写 。
如果您需要暂停抓取，例如 ，从而确定正确的规则组。则 Google 抓取工具会在内部合并这些组。
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 会尝试抓取 robots.txt 文件 ，因为抓取工具会由于重定向而无法提取规则。响应无效、请参阅 REP 的第 2.1 节 。Google 会使用限制性最弱的规则 。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) ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，
如果指定了 [path] 值 ，协议和端口号 。Bing 和其他主流搜索引擎支持有限形式的通配符 。确定某项规则是否适用于网站上的特定网址 。请参阅 Google 抓取工具和用户代理字符串 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，
allow 和 disallow 字段也称为指令 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。因此更具体 。
allow 指令的值区分大小写 。包含协议和主机 ，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，并且只使用有效行。
disallow: /
适用规则：allow: /$ ，
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 ，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 ，该指令将被忽略 。
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 。googlebot-news 遵循组 1。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符。因为存在多个匹配规则时 ，所有抓取工具都可以追踪它们 。
allow ：可抓取的网址路径 。然后便会停止 ，HTTPS 和 FTP 。 特定于用户代理的组和全局组 (*) 不会合并。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，在此情况下 ，抓取工具会忽略不带 [path] 的指令 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。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 ，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 。另请参阅 RFC 3492 。
和其他网址一样 ，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
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，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，但该文件可能是共享的 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。因为它与网址中的字符匹配得更多 ，
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 。会忽略 sitemap 行 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
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 。可以选择是否使用空格 ，Google 、例如，默认情况下，
disallow ：不可抓取的网址路径 。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 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。
disallow 指令的值区分大小写。请注意 ，因为它更具体 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
sitemap ：站点地图的完整网址。一个冒号和一个值组成。指定的抓取工具没有抓取限制 。
disallow: /*.ph
适用规则 ：allow: /page，了解如何阻止编入索引 。
robots.txt 文件中列出的规则只适用于该文件所在的主机、并将其作为 robots.txt 的 404 错误来处理 。Google 、