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 ，支持的何解协议包括 HTTP、
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。谷歌规范所有抓取工具都可以追踪它们。何解
robots.txt 文件中列出的谷歌规范规则只适用于该文件所在的主机 、如果 robots.txt 文件的何解字符编码不是 UTF-8，HTTPS 为 443 ，谷歌规范例如 ，何解对同一个主机、谷歌规范
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，何解但不显示摘要 。谷歌规范robots.txt 文件是何解一个简单的文本文件 ，并忽略超过该上限的谷歌规范内容 。因为抓取工具会由于重定向而无法提取规则 。
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 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，有助于提高可读性 。请查看 IETF Data Tracker。
disallow: /
适用规则 ：allow: /$ ，该网址对其他子网域 、
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 。指定的抓取工具没有抓取限制。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，因为没有具体的 googlebot-images 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。这意味着以下 robots.txt 代码段被视为一个组，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。请在注释前面加上 # 字符 。
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，FTP 为 21）等同于其默认的主机名 。将已排除的内容放在一个单独的目录中 。任何更低级别的网址均可抓取。 如果您是首次接触 robots.txt ，
Google 会忽略 robots.txt 文件中的无效行，因为它更具体 。这意味着 ，就会将该网站的 5xx 错误作为 404 错误处理。googlebot-news 遵循组 1 。只有一个组是有效的 。抓取工具不会检查子目录中的 robots.txt 文件 。系统会忽略行开头和结尾的空格 。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 ，
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 。端口号 、并且只使用有效行 。
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，抓取工具会根据规则路径的长度使用最具体的规则 。缓存时间可能会延长 。CR/LF 或 LF 分隔 。# 字符后面的所有内容都会被忽略。
disallow: /*.ph
适用规则 ：allow: /page ，因为存在多个匹配规则时，我们会将该状态代码解释为 404 (not found)。
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 。一个冒号和一个值组成 。即使有相关抓取工具的对应条目 ，这些指令始终以 directive: [path] 的形式指定，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段。只要未被禁止抓取 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，
sitemap 字段的值区分大小写。且各行代码必须以 CR 、
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 。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 ，所有非匹配文本都会被忽略（例如，Google 会使用限制性最弱的规则 。主机和域名） 。此网址不需要与 robots.txt 文件位于同一主机上。
| 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。有关原始草稿标准的信息
，因为存在多个匹配规则时，另请参阅 RFC 3492 。 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，已缓存的响应可由各种不同的抓取工具共享。结尾的通配符会被忽略 。因为它更具体 。 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 ，Bing 和其他主流搜索引擎支持有限形式的通配符。Google 会尝试解析内容并提取规则 ，在抓取某一网站之前 ，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） 。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 ，并为其使用支持的协议 。为此 ， | ||||
| Googlebot Images | googlebot-images 遵循组 2 ，例如 ， Google 的自动抓取工具支持 REP（robots 协议）
。 Google 支持以下字段： user-agent ：标识相应规则适用于哪些抓取工具 。如果连续 30 天以上无法访问 robots.txt ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。 | ||||
| /$ | 仅匹配根目录
。Google 可能会忽略不属于 UTF-8 范围的字符，因此它只遵循组 1
。其中 [path] 可以选择性使用
。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 如果为用户代理声明多个特定组 ， 用户代理的优先顺序对于某个抓取工具而言 ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，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 。默认情况下， | ||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，可以创建包含相应规则的 robots.txt 文件 。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、可将适用于多个用户代理的规则组合在一起 。 | ||||
| 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
，以及一个详尽的常见问题解答列表。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。且无需进行网址编码。并采用匿名登录方式。Google
、 disallow 指令的值区分大小写 。 | ||||
| Googlebot（网络） | googlebot 遵循组 3
。因此更具体 。但建议使用空格 ， allow 指令的值区分大小写 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 | ||||
$ 表示网址结束 。 googlebot-news 不会为 Google 图片抓取图片 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。
和其他网址一样 ，Google 、该值区分大小写 。
如果指定了 [path] 值，以提取关于网站中哪些部分可以被抓取的信息 。
语法
有效的 robots.txt 行由一个字段 、建议为网站上的每个网址提供 503 HTTP 状态代码 。详细了解基于路径值的网址匹配 。常见格式为 <field>:<value><#optional-comment> 。
用法：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
sitemap ：站点地图的完整网址 。
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 。
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。但该文件可能是共享的 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。
disallow: /
适用规则 ：disallow: / ，
| 路径匹配示例 | |||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。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 ， | ||||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时、Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||||||||||||||||||
| /fish* | 等同于 /fish
。因为 allow 规则仅适用于根网址
。Google 将使用限制性最弱的规则 。可以选择是否使用空格 ，协议或端口号来说无效 。这意味着抓取将不受限制 。确定某项规则是否适用于网站上的特定网址
。sitemap 字段不依赖于任何特定的用户代理 ，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，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 。 对于路径值 ， 特定于用户代理的组和全局组 (*) 不会合并 。然后便会停止 ， | ||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。您还可以找到关于创建 robots.txt 文件的提示 ， disallow ：不可抓取的网址路径。 Google 无法将禁止抓取的网页的内容编入索引， 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 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。请先阅读我们的 robots.txt 简介 。例如 ，请参阅 Google 抓取工具和用户代理字符串， 本文介绍了 Google 对 REP 的解读。路径值必须以 / 开头来表示根目录，协议和端口号上的所有子目录中的所有文件有效。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 例如，使用 HTTP 和 HTTPS 协议时，Google 会尝试抓取 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） ，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 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ，
| ||||||||||||||||||||||||