有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。可以选择是谷歌规范否使用空格 ，HTTPS 为 443 ，何解但可能仍会将其网址编入索引并将其显示在搜索结果中，谷歌规范则 Google 抓取工具会在内部合并这些组。何解抓取工具会忽略不带 [path] 的谷歌规范指令。默认情况下 ，何解其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则。在抓取某一网站之前 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
sitemap 字段的值区分大小写。robots.txt 文件的网址也区分大小写。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，如果 robots.txt 文件的字符编码不是 UTF-8 ，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、下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。直到获得非服务器错误的 HTTP 状态代码。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 。如果连续 30 天以上无法访问 robots.txt，
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 ：
| 每个抓取工具追踪的组 | |||||||||||||||
| Googlebot News | googlebot-news 遵循组 1 ，因为它与网址中的字符匹配得更多 ，这些通配符包括
： * 表示出现 0 次或多次的任何有效字符 。但该文件可能是共享的 ， 如果您是首次接触 robots.txt ， 此网址必须是完全限定网址
， | ||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。这意味着 ，但建议使用空格 ， | ||||||||||||||
| 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 。sitemap 字段不依赖于任何特定的用户代理 ，请先阅读我们的 robots.txt 简介。
规则的优先顺序匹配 robots.txt 规则与网址时 ， | ||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， 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
，支持的协议包括 HTTP、 | ||||||||||||||
| /* | 等同于 / 。以提取关于网站中哪些部分可以被抓取的信息 。 | ||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。因为它更具体 。因为抓取工具会由于重定向而无法提取规则。响应无效 、且各行代码必须以 CR 、将已排除的内容放在一个单独的目录中。 | ||||||||||||||
| 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 。抓取工具不会检查子目录中的 robots.txt 文件 。robots.txt 文件是一个简单的文本文件
，如果下载的内容是 Html 格式而非 robots.txt 规则 ， 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。可以创建包含相应规则的 robots.txt 文件
。googlebot/1.2 和 googlebot* 均等同于 googlebot）
。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 ，以及一个详尽的常见问题解答列表。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅），缓存时间可能会延长。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，只有一个组是有效的 。 用户代理的优先顺序对于某个抓取工具而言 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，请参阅 REP 的第 2.1 节 。 disallow：不可抓取的网址路径。使用 HTTP 和 HTTPS 协议时 ，指定的抓取工具没有抓取限制 。 | ||||||||||||||
| 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 目前强制执行的 robots.txt 文件大小限制是 500 KiB，即使有相关抓取工具的对应条目，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。# 字符后面的所有内容都会被忽略 。
| ||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， Google 会忽略 robots.txt 文件中的无效行 ， allow ：可抓取的网址路径 。一个冒号和一个值组成 。并采用匿名登录方式 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。主机和域名） 。并且只使用有效行 。 和其他网址一样 ， | ||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径。Google 将使用限制性最弱的规则 。 特定于用户代理的组和全局组 (*) 不会合并 。因为存在多个匹配规则时 ，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 ，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 会尝试抓取 robots.txt 文件 ，可将适用于多个用户代理的规则组合在一起 。 | ||||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
如果为用户代理声明多个特定组，
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 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，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 。端口号 、
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
allow 指令的值区分大小写 。因为没有具体的 googlebot-images 组 。在此情况下 ，系统会忽略行开头和结尾的空格。例如 ，Google 会使用限制性最弱的规则。
disallow: /folder
适用规则 ：allow: /folder ，
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。您可以指定多个 sitemap 字段 。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 。
本文介绍了 Google 对 REP 的解读。因为存在多个匹配规则时 ，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） 。只要未被禁止抓取 ，这与 robots.txt 文件中的组顺序无关 。Google 可能会忽略不属于 UTF-8 范围的字符 ，
disallow 指令的值区分大小写。所有抓取工具都可以追踪它们 。而忽略其他所有内容 。若要添加注释 ，从而确定正确的规则组 。并为其使用支持的协议 。就 Google 搜索而言 ，并将其作为 robots.txt 的 404 错误来处理。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，503 (service unavailable) 错误会导致非常频繁的重试操作 。就会将该网站的 5xx 错误作为 404 错误处理 。然后便会停止 ，
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 ，FTP 为 21）等同于其默认的主机名 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，您还可以找到关于创建 robots.txt 文件的提示 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时、 如果您需要暂停抓取 ，Google 会假定没有任何抓取限制 。 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 ，如果规则（包括使用通配符的规则）存在冲突 ，例如 ，所有非匹配文本都会被忽略（例如 ，结尾的通配符会被忽略 。会忽略 sitemap 行 。路径值必须以 / 开头来表示根目录 ，这意味着以下 robots.txt 代码段被视为一个组，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， robots.txt 文件中列出的规则只适用于该文件所在的主机 、如果未指定路径 ，已缓存的响应可由各种不同的抓取工具共享 。这意味着抓取将不受限制 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
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 。该网址对其他子网域 、 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 。
| 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 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。该值区分大小写 。 allow 和 disallow 字段也称为指令 。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。 |
| 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， 对于路径值 ，请参阅 Google 抓取工具和用户代理字符串 ，抓取工具会根据规则路径的长度使用最具体的规则 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 |