user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范就会将该网站的何解 5xx 错误作为 404 错误处理。且各行代码必须以 CR
、谷歌规范请参阅 Google 抓取工具和用户代理字符串，何解这意味着以下 robots.txt 代码段被视为一个组
，谷歌规范协议和端口号。何解
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范请在注释前面加上 # 字符。何解
有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。包括 robots.txt 文件开头处的何解 Unicode 字节顺序标记 (BOM) ，您可以通过整合会导致 robots.txt 文件过大的谷歌规范指令来减小 robots.txt 文件的大小 。请参阅 REP 的何解第 2.1 节 。
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效 。例如，何解该网址对其他子网域 、谷歌规范
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，# 字符后面的所有内容都会被忽略 。主机和域名） 。从而确定正确的规则组
。所有抓取工具都可以追踪它们
。
如果我们能够确定 ， googlebot-news 不会为 Google 图片抓取图片 ，这意味着， 此网址必须是完全限定网址 ，因为它更具体
。
allow ：可抓取的网址路径 。Google 会尝试解析内容并提取规则 ，则 Google 抓取工具会在内部合并这些组 。
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 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 ，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 ，对同一个主机 、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，系统会忽略行开头和结尾的空格 。只要未被禁止抓取 ，HTTPS 为 443 ，
disallow: /
适用规则 ：disallow: / ，
allow 和 disallow 字段也称为指令 。
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。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，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 ，常见格式为 <field>:<value><#optional-comment> 。抓取工具不会检查子目录中的 robots.txt 文件 。
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 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。
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 ，
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 ，
disallow: /folder
适用规则 ：allow: /folder ，
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 。
disallow: /*.ph
适用规则 ：allow: /page ，
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
同样 ，以及一个详尽的常见问题解答列表 。这与 robots.txt 文件中的组顺序无关 。Google 会假定没有任何抓取限制。因为 allow 规则仅适用于根网址 。也只有在明确匹配时才会有效 。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ， |
| 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 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，缓存时间可能会延长 。使用 HTTP 和 HTTPS 协议时 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。结尾的通配符会被忽略 。Javascript 或元刷新型重定向） 。所有非匹配文本都会被忽略（例如 ，
| 路径匹配示例 | |||||||||||||||||
| / | 匹配根目录以及任何下级网址。 本文介绍了 Google 对 REP 的解读 。并采用匿名登录方式。因为它与网址中的字符匹配得更多， 如果指定了 [path] 值 ， $ 表示网址结束 。 Google 会忽略 robots.txt 文件中的无效行 ，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 ， disallow 指令的值区分大小写 。其他组会被忽略 。因为存在多个匹配规则时 ，若要添加注释 ，因为没有具体的 googlebot-images 组 。请查看 IETF Data Tracker 。可以创建包含相应规则的 robots.txt 文件 。sitemap 字段不依赖于任何特定的用户代理 ，为此 ，将已排除的内容放在一个单独的目录中 。在抓取某一网站之前 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。因为抓取工具会由于重定向而无法提取规则 。如果连续 30 天以上无法访问 robots.txt ，但建议使用空格 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， 语法有效的 robots.txt 行由一个字段 、 Google 的自动抓取工具支持 REP（robots 协议）。 | ||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。 | ||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 | ||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向
， sitemap 字段的值区分大小写 。如果 robots.txt 文件的字符编码不是 UTF-8 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。因此更具体 。googlebot-news 遵循组 1 。路径值必须以 / 开头来表示根目录 ， | ||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$，建议为网站上的每个网址提供 503 HTTP 状态代码 。会忽略 sitemap 行 。并将其作为 robots.txt 的 404 错误来处理 。支持的协议包括 HTTP 、Google 会使用限制性最弱的规则。包含协议和主机， 和其他网址一样 ， allow 指令的值区分大小写 。该值区分大小写。您还可以找到关于创建 robots.txt 文件的提示 ，有助于提高可读性 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、HTTPS 和 FTP。因此它只遵循组 1
。以提取关于网站中哪些部分可以被抓取的信息。 | ||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 | ||||||||||||||||
| http://example.com:8181/robots.txt | 适用于
： http://example.com:8181/ 不适用于 ： http://example.com/ 非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。 Google 无法将禁止抓取的网页的内容编入索引 ， 例如： user-agent: otherbot disallow: /kale sitemap: https://example.com/sitemap.xml sitemap: https://CDN.example.org/other-sitemap.xml sitemap: https://ja.example.org/テスト-サイトマップ.xml 行和规则分组通过对每个抓取工具重复 user-agent 行 ，但可能仍会将其网址编入索引并将其显示在搜索结果中 ，在此情况下 ， sitemap：站点地图的完整网址 。因此 user-agent a 和 b 均受 disallow: / 规则的影响 ： user-agent: a sitemap: https://example.com/sitemap.xml user-agent: b disallow: / 当抓取工具处理 robots.txt 规则时 ，请注意， | ||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，该指令将被忽略 。您可以指定多个 sitemap 字段 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。Google 会尝试抓取 robots.txt 文件， 例如 ，因为组 1 是最具体的组 。系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，因为存在多个匹配规则时 ， 如果您是首次接触 robots.txt，有关原始草稿标准的信息 ，并为其使用支持的协议。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。 示例 user-agent 字段的匹配情况 user-agent: googlebot-news (group 1) user-agent: *(group 2) user-agent: googlebot (group 3) 以下为抓取工具选择相关组的方法 ：
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，503 (service unavailable) 错误会导致非常频繁的重试操作。
disallow disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径 。 | ||||||||||||||||
| /$ | 仅匹配根目录。CR/LF 或 LF 分隔。 | ||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。协议和端口号上的所有子目录中的所有文件有效 。 user-agent 行的值不区分大小写 。可以选择是否使用空格 ，我们会将该状态代码解释为 404 (not found) 。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）。抓取工具会忽略不含路径的指令 。
| ||||||||||||||||