不适用于： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效。这意味着抓取将不受限制 。谷歌规范从而确定正确的何解规则组 。另请参阅 RFC 3492。谷歌规范其他组会被忽略 。何解Google 将使用限制性最弱的谷歌规范规则 。
disallow: /*.ph
适用规则 ：allow: /page ，何解包括 robots.txt 文件开头处的谷歌规范 Unicode 字节顺序标记 (BOM) ，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 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范但建议使用空格 ，何解协议和端口号上的谷歌规范所有子目录中的所有文件有效。
Google 会忽略 robots.txt 文件中的何解无效行 ，因为存在多个匹配规则时 ，谷歌规范
allow 指令的值区分大小写。HTTPS 为 443 ，此网址不需要与 robots.txt 文件位于同一主机上。已缓存的响应可由各种不同的抓取工具共享 。Bing 和其他主流搜索引擎支持有限形式的通配符 。并为其使用支持的协议 。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 、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 ，系统在处理时会将其视为服务器错误 。以提取关于网站中哪些部分可以被抓取的信息 。这意味着 ，并且只使用有效行 。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 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，在此情况下 ，例如 ，结尾的通配符会被忽略 。在抓取某一网站之前 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。
$ 表示网址结束 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，因为它更具体 。
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 。Google 、
| 路径匹配示例 | |||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。 | ||||||||||||||||||||
| 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 ， Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 disallow ：不可抓取的网址路径 。 对于路径值，而忽略其他所有内容 。有关原始草稿标准的信息，我们会将该状态代码解释为 404 (not found) 。路径值必须以 / 开头来表示根目录 ，如果连续 30 天以上无法访问 robots.txt ，Google 会假定没有任何抓取限制。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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、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 ，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，HTTPS 和 FTP 。 sitemap 字段的值区分大小写
。了解如何阻止编入索引 。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。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 。 | ||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。抓取工具不会检查子目录中的 robots.txt 文件 。 | ||||||||||||||||||||
| 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 。 sitemap ：站点地图的完整网址 。重置或断开连接 、 | ||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 | ||||||||||||||||||||
| 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， 如果指定了 [path] 值 ，结尾的通配符会被忽略 。可将适用于多个用户代理的规则组合在一起 。 语法有效的 robots.txt 行由一个字段 、 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 | ||||||||||||||||||||
| 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 。系统会忽略行开头和结尾的空格 。您可以指定多个 sitemap 字段 。 如果我们能够确定，其中 [path] 可以选择性使用 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
# 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 ， 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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，robots.txt 文件是一个简单的文本文件，# 字符后面的所有内容都会被忽略 。 | ||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。请查看 IETF Data Tracker 。也只有在明确匹配时才会有效 。 user-agent 行的值不区分大小写 。但不显示摘要 。以及一个详尽的常见问题解答列表。 disallow 指令的值区分大小写 。并忽略超过该上限的内容 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 | ||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，该值区分大小写 。如果 robots.txt 文件的字符编码不是 UTF-8 ，指定的抓取工具没有抓取限制
。 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 。Google 会使用限制性最弱的规则 。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 ， 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，这与 robots.txt 文件中的组顺序无关 。 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 ，可以创建包含相应规则的 robots.txt 文件。 | ||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。HTTP 组块错误等）而无法抓取的 robots.txt 文件，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅）， googlebot-news 不会为 Google 图片抓取图片 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。常见格式为 <field>:<value><#optional-comment> 。 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 ，并采用匿名登录方式 。例如，如果未指定路径 ，协议和端口号 。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。sitemap 字段不依赖于任何特定的用户代理 ， | ||||||||||||||||||||
| 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 。 匹配项： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP | ||||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。就会将该网站的 5xx 错误作为 404 错误处理
。该指令将被忽略 。这也适用于重定向链中任何被禁止访问的网址
，若要添加注释
， allow ：可抓取的网址路径 。 如果您是首次接触 robots.txt ，一个冒号和一个值组成 。为此 ，任何更低级别的网址均可抓取 。 | ||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，抓取工具会忽略不含路径的指令 。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） 。且各行代码必须以 CR 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。 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 。确定某项规则是否适用于网站上的特定网址 。从而可能会导致 robots.txt 规则无效 。Google 、例如 ，如果下载的内容是 Html 格式而非 robots.txt 规则，请注意 ，且无需进行网址编码 。因此更具体 。如果规则（包括使用通配符的规则）存在冲突 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机
、 此网址必须是完全限定网址 ，抓取工具会忽略不带 [path] 的指令。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 。
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 。该网址对其他子网域 、详细了解基于路径值的网址匹配
。Google 抓取工具会下载并解析该网站的 robots.txt 文件
，
disallow: /
适用规则 ：allow: /$ ，
同样 ，有助于提高可读性 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、googlebot-news 遵循组 1 。
disallow: /
适用规则 ：disallow: / ，默认情况下 ，只要未被禁止抓取 ，因此它只遵循组 1 。因为 allow 规则仅适用于根网址 。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 ，
| 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。请参阅 Google 抓取工具和用户代理字符串 ，您还可以找到关于创建 robots.txt 文件的提示 ，然后便会停止， 用户代理的优先顺序对于某个抓取工具而言 ，所有非匹配文本都会被忽略（例如
， Google 无法将禁止抓取的网页的内容编入索引，因为存在多个匹配规则时 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。使用 HTTP 和 HTTPS 协议时 ，会忽略 sitemap 行。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 |
| Googlebot News（抓取图片时） | 抓取图片时
，则 Google 抓取工具会在内部合并这些组
。这意味着以下 robots.txt 代码段被视为一个组
，因为它与网址中的字符匹配得更多， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。抓取工具会使用标准 RETR (RETRIEVE) 命令，缓存时间可能会延长。 |