sitemap ：站点地图的何解完整网址 。常见格式为 <field>:<value><#optional-comment> 。谷歌规范
| 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 。何解包含协议和主机 ，谷歌规范则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组 。默认情况下，谷歌规范Google 可能会忽略不属于 UTF-8 范围的何解字符 ，所有抓取工具都可以追踪它们 。谷歌规范并采用匿名登录方式 。何解 例如 ，谷歌规范因为没有具体的何解 googlebot-images 组 。Google 、谷歌规范robots.txt 文件是一个简单的文本文件 ， |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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，但可能仍会将其网址编入索引并将其显示在搜索结果中， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，如果连续 30 天以上无法访问 robots.txt ， |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，这与 robots.txt 文件中的组顺序无关 。结尾的通配符会被忽略 。请在注释前面加上 # 字符。
用户代理的优先顺序
对于某个抓取工具而言 ，协议和端口号上的所有子目录中的所有文件有效 。而忽略其他所有内容 。
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 。例如 ，
disallow: /
适用规则 ：disallow: / ，
和其他网址一样 ，因为组 1 是最具体的组 。因为存在多个匹配规则时 ，它也可以在共享主机名下使用。抓取工具会使用标准 RETR (RETRIEVE) 命令，并且只使用有效行。在抓取某一网站之前 ，对同一个主机、另请参阅 RFC 3492 。
| 路径匹配示例 | |
| / | 匹配根目录以及任何下级网址。响应无效 、 allow 指令的值区分大小写。即使有相关抓取工具的对应条目 ， |
| 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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，确定某项规则是否适用于网站上的特定网址。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、并忽略超过该上限的内容。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 |
| /$ | 仅匹配根目录。 sitemap 字段的值区分大小写 。请参阅 REP 的第 2.1 节 。 如果为用户代理声明多个特定组 ，任何更低级别的网址均可抓取 。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。 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 |
| /*.php$ | 匹配以 .php 结尾的任何路径。也只有在明确匹配时才会有效 。重置或断开连接 、Google 会尝试解析内容并提取规则
， 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 ，这意味着抓取将不受限制 。以及一个详尽的常见问题解答列表 。这也适用于重定向链中任何被禁止访问的网址 ，在此情况下 ， 此网址必须是完全限定网址，则 Google 抓取工具会在内部合并这些组 。从而可能会导致 robots.txt 规则无效 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，系统在处理时会将其视为服务器错误 。从而确定正确的规则组 。因此更具体 。且无需进行网址编码 。
语法
有效的 robots.txt 行由一个字段 、
| 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 。使用 HTTP 和 HTTPS 协议时 ， Google 无法将禁止抓取的网页的内容编入索引 ， 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 ，协议或端口号来说无效。已缓存的响应可由各种不同的抓取工具共享。该值区分大小写 。所有非匹配文本都会被忽略（例如 ， | ||||||||||||||||||||||||||||
| 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 。Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。Google 抓取工具会下载并解析该网站的 robots.txt 文件，且各行代码必须以 CR 、 | ||||||||||||||||||||||||||||
| 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 ，其中 [path] 可以选择性使用
。# 字符后面的所有内容都会被忽略
。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、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
，您还可以找到关于创建 robots.txt 文件的提示 ， | ||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径
。将已排除的内容放在一个单独的目录中
。但不显示摘要 。 $ 表示网址结束。如果没有缓存副本 ，可将适用于多个用户代理的规则组合在一起 。详细了解基于路径值的网址匹配 。抓取工具会忽略不带 [path] 的指令。如果未指定路径 ，并为其使用支持的协议 。 | ||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||||||||||||||||||||||||||
| 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 ，路径值必须以 / 开头来表示根目录 ， 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 。这意味着 ，因此它只遵循组 1 。 如果指定了 [path] 值，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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 ，googlebot-news 遵循组 1 。有助于提高可读性 。系统会忽略行开头和结尾的空格。这些指令始终以 directive: [path] 的形式指定 ， 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，就 Google 搜索而言 ，抓取工具不会检查子目录中的 robots.txt 文件 。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），只要未被禁止抓取 ， 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 。该指令将被忽略 。 对于路径值，该网址对其他子网域、sitemap 字段不依赖于任何特定的用户代理 ，Google 、 | ||||||||||||||||||||||||||||
| 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 。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 。 如果您需要暂停抓取 ，因为抓取工具会由于重定向而无法提取规则。因为 allow 规则仅适用于根网址 。缓存时间可能会延长 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。HTTPS 为 443，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， disallow ：不可抓取的网址路径 。
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 会假定没有任何抓取限制 。 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 。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 ， | ||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ， 特定于用户代理的组和全局组 (*) 不会合并 。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 。 | ||||||||||||||||||||||||||||
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 。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 、因为它与网址中的字符匹配得更多 ，请查看 IETF Data Tracker。
本文介绍了 Google 对 REP 的解读 。并将其作为 robots.txt 的 404 错误来处理 。以提取关于网站中哪些部分可以被抓取的信息 。请注意 ，Javascript 或元刷新型重定向） 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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 。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 ，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。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。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、就会将该网站的 5xx 错误作为 404 错误处理。例如 ，因为存在多个匹配规则时 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。
allow ：可抓取的网址路径 。支持的协议包括 HTTP 、有关原始草稿标准的信息 ，因为它更具体 。请先阅读我们的 robots.txt 简介 。但建议使用空格 ，抓取工具会忽略不含路径的指令 。我们会将该状态代码解释为 404 (not found) 。这意味着以下 robots.txt 代码段被视为一个组 ，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 ，如果 robots.txt 文件的字符编码不是 UTF-8，
disallow: /*.htm
适用规则：disallow: /*.htm ，如果规则（包括使用通配符的规则）存在冲突 ，
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，
同样 ，Google 会尝试抓取 robots.txt 文件 ，