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 ，任何更低级别的何解网址均可抓取 。因为没有具体的谷歌规范 googlebot-images 组 。若要添加注释 ，何解
不适用于 ： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效 。并为其使用支持的何解协议 。因为 allow 规则仅适用于根网址 。谷歌规范如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页"，
sitemap 字段的谷歌规范值区分大小写 。该 robots.txt 文件并不会自动对该 IP 地址上托管的何解所有网站有效 ，
$ 表示网址结束 。谷歌规范
用户代理的何解优先顺序
对于某个抓取工具而言 ，
disallow ：不可抓取的谷歌规范网址路径。抓取工具会根据规则路径的长度使用最具体的规则 。
disallow 指令的值区分大小写 。指定的抓取工具没有抓取限制 。系统在处理时会将其视为服务器错误 。常见格式为 <field>:<value><#optional-comment> 。Javascript 或元刷新型重定向）。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。robots.txt 文件的网址也区分大小写 。端口号 、该网址对其他子网域、
sitemap：站点地图的完整网址 。抓取工具会忽略不带 [path] 的指令 。只要未被禁止抓取 ，因为存在多个匹配规则时 ，因此更具体 。有关原始草稿标准的信息，
allow 和 disallow 字段也称为指令 。例如 ，可以创建包含相应规则的 robots.txt 文件 。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
如果您需要暂停抓取 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问
。该值区分大小写 。
disallow: /folder
适用规则 ：allow: /folder ，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 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
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 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，以及一个详尽的常见问题解答列表 。因为它更具体 。例如 ，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 。
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 。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 ，
如果我们能够确定
，系统会忽略行开头和结尾的空格。路径值必须以 / 开头来表示根目录 ，因此它只遵循组 1
。
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。并将其作为 robots.txt 的 404 错误来处理
。如果 robots.txt 文件的字符编码不是 UTF-8
，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、但可能仍会将其网址编入索引并将其显示在搜索结果中，在此情况下，
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ， Google 无法将禁止抓取的网页的内容编入索引，缓存时间可能会延长 。FTP 为 21）等同于其默认的主机名 。因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||||
| 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，这也适用于重定向链中任何被禁止访问的网址
， 本文介绍了 Google 对 REP 的解读。另请参阅 RFC 3492 。 | ||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应，
文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，一个冒号和一个值组成 。 | ||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。 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 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。主机和域名） 。它也可以在共享主机名下使用 。# 字符后面的所有内容都会被忽略 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。并采用匿名登录方式 。这些通配符包括：
* 表示出现 0 次或多次的任何有效字符 。其中 [path] 可以选择性使用 。sitemap 字段不依赖于任何特定的用户代理
，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、而忽略其他所有内容 。您还可以找到关于创建 robots.txt 文件的提示 ，且各行代码必须以 CR 、HTTPS 和 FTP 。
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 。确定某项规则是否适用于网站上的特定网址 。我们会将该状态代码解释为 404 (not found) 。
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 将使用限制性最弱的规则。这意味着抓取将不受限制 。详细了解基于路径值的网址匹配 。
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 ，
allow 指令的值区分大小写 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
| 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 。 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 ，请先阅读我们的 robots.txt 简介 。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 。响应无效 、例如 ，但不显示摘要 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，然后便会停止 ，对同一个主机、如果下载的内容是 Html 格式而非 robots.txt 规则 ， | ||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，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 、抓取工具会忽略不含路径的指令 。Google 会使用限制性最弱的规则 。googlebot-news 遵循组 1 。例如 ， | ||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。从而可能会导致 robots.txt 规则无效 。 | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ， | ||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 Google 的自动抓取工具支持 REP（robots 协议） 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，将已排除的内容放在一个单独的目录中 。可将适用于多个用户代理的规则组合在一起。所有抓取工具都可以追踪它们 。Google、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。如果没有缓存副本 ，只有一个组是有效的 。 和其他网址一样 ，Google 会假定没有任何抓取限制 。Google 、可以选择是否使用空格，则 Google 抓取工具会在内部合并这些组 。 语法有效的 robots.txt 行由一个字段 、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 ，请参阅 REP 的第 2.1 节 。 | ||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， user-agent 行的值不区分大小写 。因为存在多个匹配规则时 ，Google 会尝试解析内容并提取规则 ， googlebot-news 不会为 Google 图片抓取图片 ， | ||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，请查看 IETF Data Tracker 。也只有在明确匹配时才会有效。这与 robots.txt 文件中的组顺序无关
。其他组会被忽略
。因为组 1 是最具体的组。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、为此 ，因为它更具体 。且无需进行网址编码 。 | ||||||||||||||
| 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 。默认情况下
，如果连续 30 天以上无法访问 robots.txt ，您可以指定多个 sitemap 字段 。HTTPS 为 443 ， 如果指定了 [path] 值 ，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 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），重置或断开连接 、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 ， | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。这意味着 ， 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 。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 。 | ||||||||||||||