disallow: /
适用规则 ：allow: /$ ，谷歌规范
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解抓取工具会忽略不带 [path] 的谷歌规范指令。如果未指定路径，何解例如，谷歌规范因为组 1 是何解最具体的组。下面说明了抓取工具如何理解之前的谷歌规范 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 ， 本文介绍了 Google 对 REP 的何解解读 。抓取工具会根据规则路径的谷歌规范长度使用最具体的规则 。但该文件可能是何解共享的 ，直到获得非服务器错误的谷歌规范 HTTP 状态代码 。 |
| /fish | 匹配以 /fish 开头的何解任何路径
。但可能仍会将其网址编入索引并将其显示在搜索结果中，谷歌规范此网址不需要与 robots.txt 文件位于同一主机上 。何解 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具。谷歌规范 如果指定了 [path] 值 ， 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。 |
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。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，响应无效 、Google 、 特定于用户代理的组和全局组 (*) 不会合并 。 |
| /fish* | 等同于 /fish。请查看 IETF Data Tracker 。 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 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。且各行代码必须以 CR 、只要未被禁止抓取 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。任何更低级别的网址均可抓取 。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 。所有抓取工具都可以追踪它们 。系统在处理时会将其视为服务器错误 。 Google 的自动抓取工具支持 REP（robots 协议） 。 |
| 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 ，默认情况下
，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
，您还可以找到关于创建 robots.txt 文件的提示
，从而确定正确的规则组 。语法有效的 robots.txt 行由一个字段 、这些指令始终以 directive: [path] 的形式指定 ，协议或端口号来说无效 。建议为网站上的每个网址提供 503 HTTP 状态代码。例如， 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 。# 字符后面的所有内容都会被忽略 。抓取工具会忽略不含路径的指令 。 |
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。我们会将该状态代码解释为 404 (not found) 。 如果您是首次接触 robots.txt，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、 |
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 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 。若要添加注释 ， user-agent 行的值不区分大小写 。robots.txt 文件是一个简单的文本文件 ， |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， 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 。如果没有缓存副本 ，它也可以在共享主机名下使用。该网址对其他子网域 、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 。 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，请注意 ， 此网址必须是完全限定网址，请参阅 REP 的第 2.1 节 。将已排除的内容放在一个单独的目录中 。Google 会尝试解析内容并提取规则 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，Google 将使用限制性最弱的规则。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。常见格式为 <field>:<value><#optional-comment> 。
| 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。则 Google 抓取工具会在内部合并这些组 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），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） ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，该指令将被忽略 。会忽略 sitemap 行 。 sitemap 字段的值区分大小写。因为抓取工具会由于重定向而无法提取规则 。 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略
。 allow ：可抓取的网址路径 。且无需进行网址编码 。 Google 会忽略 robots.txt 文件中的无效行 ，因为它与网址中的字符匹配得更多 ， googlebot-news 不会为 Google 图片抓取图片 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，缓存时间可能会延长。抓取工具不会检查子目录中的 robots.txt 文件。Google 会使用限制性最弱的规则。这意味着 ，有助于提高可读性 。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） 。然后便会停止 ， | ||||||||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com:80/ http://example.com/ 不适用于 ： http://example.com:81/ 标准端口号（HTTP 为 80 ，也只有在明确匹配时才会有效 。路径值必须以 / 开头来表示根目录 ，因为存在多个匹配规则时 ，为此 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。因为它更具体 。并且只使用有效行 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，该值区分大小写 。可将适用于多个用户代理的规则组合在一起 。 disallow 指令的值区分大小写 。但建议使用空格，
规则的优先顺序匹配 robots.txt 规则与网址时， | ||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ，其他组会被忽略 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。结尾的通配符会被忽略 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、在此情况下，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 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 。并为其使用支持的协议。只有一个组是有效的。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 ，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。请在注释前面加上 # 字符 。因为存在多个匹配规则时 ， 同样 ，即使有相关抓取工具的对应条目， 和其他网址一样 ，对同一个主机
、 | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。因此它只遵循组 1 。文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，以提取关于网站中哪些部分可以被抓取的信息 。 如果为用户代理声明多个特定组 ，端口号 、 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定
，这也适用于重定向链中任何被禁止访问的网址，并采用匿名登录方式 。 | ||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， | ||||||||||||||||
| 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，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
，这意味着以下 robots.txt 代码段被视为一个组
， disallow：不可抓取的网址路径 。您可以指定多个 sitemap 字段 。 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向，支持的协议包括 HTTP 、以及一个详尽的常见问题解答列表 。可以选择是否使用空格，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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
。重置或断开连接
、 对于路径值
，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。主机和域名） 。Google 会使用限制性最弱的规则
。所有非匹配文本都会被忽略（例如 ，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 ，但不显示摘要。并忽略超过该上限的内容 。例如 ，另请参阅 RFC 3492。如果 robots.txt 文件的字符编码不是 UTF-8，因此更具体 。如果连续 30 天以上无法访问 robots.txt ， | ||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。Google、已缓存的响应可由各种不同的抓取工具共享 。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 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，从而可能会导致 robots.txt 规则无效 。 | ||||||||||||||||
| 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 。因为它更具体。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 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
。HTTPS 为 443
，因为没有具体的 googlebot-images 组
。Bing 和其他主流搜索引擎支持有限形式的通配符。指定的抓取工具没有抓取限制 。而忽略其他所有内容 。Google 会假定没有任何抓取限制 。Google 会尝试抓取 robots.txt 文件 ，用户代理的优先顺序对于某个抓取工具而言
，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。包含协议和主机 ，因为 allow 规则仅适用于根网址 。HTTPS 和 FTP
。结尾的通配符会被忽略 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 | ||||||||||||||||