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 ，路径值必须以 / 开头来表示根目录，何解
user-agent 行的谷歌规范值不区分大小写。googlebot-news 遵循组 1 。何解某网站因为配置不正确而在缺少网页时返回 5xx 而不是谷歌规范 404 状态代码 ，获取可在 robots.txt 文件中使用的何解用户代理字符串的完整列表。
匹配项：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意 ：匹配时区分大小写 。所有非匹配文本都会被忽略（例如 ，谷歌规范
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
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 ， 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 。会忽略 sitemap 行 。为此 ，请先阅读我们的 robots.txt 简介 。Javascript 或元刷新型重定向）
。503 (service unavailable) 错误会导致非常频繁的重试操作 。
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，已缓存的响应可由各种不同的抓取工具共享 。该指令将被忽略 。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 ， googlebot-news 不会为 Google 图片抓取图片 ，有助于提高可读性 。
| 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 。 特定于用户代理的组和全局组 (*) 不会合并 。 |
| /fish | 匹配以 /fish 开头的任何路径 。 sitemap 字段的值区分大小写 。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 、因此它只遵循组 1 。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 。请参阅 REP 的第 2.1 节。 |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。请注意 ，如果未指定路径 ， allow 指令的值区分大小写
。任何更低级别的网址均可抓取。就会将该网站的 5xx 错误作为 404 错误处理 。结尾的通配符会被忽略 。对同一个主机
、这与 robots.txt 文件中的组顺序无关
。只有一个组是有效的。使用 HTTP 和 HTTPS 协议时
， |
| /*.php | 匹配包含 .php 的任何路径 。因为没有具体的 googlebot-images 组 。并将其作为 robots.txt 的 404 错误来处理 。Google 会尝试解析内容并提取规则 ， |
| 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。从而可能会导致 robots.txt 规则无效 。 |
| Googlebot（网络） | googlebot 遵循组 3。而忽略其他所有内容。系统会忽略行开头和结尾的空格 。协议和端口号上的所有子目录中的所有文件有效 。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ， 此网址必须是完全限定网址 ，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 。例如，我们会将该状态代码解释为 404 (not found)。
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 ，因为抓取工具会由于重定向而无法提取规则 。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 ，
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置。
如果为用户代理声明多个特定组 ，Google、
和其他网址一样 ，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 。FTP 为 21）等同于其默认的主机名。请参阅 Google 抓取工具和用户代理字符串，
disallow 指令的值区分大小写。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，且无需进行网址编码 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件，这些指令始终以 directive: [path] 的形式指定 ，请在注释前面加上 # 字符 。另请参阅 RFC 3492 。并采用匿名登录方式。在此情况下 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、因为它与网址中的字符匹配得更多，Google 会使用限制性最弱的规则 。
allow 和 disallow 字段也称为指令。例如：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、端口号、
如果您需要暂停抓取 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具。因为存在多个匹配规则时，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，这也适用于重定向链中任何被禁止访问的网址 ，
Google 无法将禁止抓取的网页的内容编入索引 ，Google 会使用该 robots.txt 的最后一个缓存副本 。
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 。
语法
有效的 robots.txt 行由一个字段 、该值区分大小写 。
对于路径值 ，
| 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 。抓取工具会根据规则路径的长度使用最具体的规则。 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。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， $ 表示网址结束 。 | ||||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录 。 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 ， | ||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，则 Google 抓取工具会在内部合并这些组 。robots.txt 文件的网址也区分大小写 。抓取工具会忽略不含路径的指令 。例如 ，就 Google 搜索而言 ， 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 。响应无效 、有关原始草稿标准的信息，以及一个详尽的常见问题解答列表 。但建议使用空格 ， Google 的自动抓取工具支持 REP（robots 协议）。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 。Google 将使用限制性最弱的规则 。了解如何阻止编入索引 。Google 会尝试抓取 robots.txt 文件， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具。然后便会停止，这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则
。可将适用于多个用户代理的规则组合在一起。 disallow ：不可抓取的网址路径 。 | ||||||||||||||||||||||||||||||||||
| 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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。 | ||||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，您还可以找到关于创建 robots.txt 文件的提示 ， | ||||||||||||||||||||||||||||||||||
| /* | 等同于 /
。在抓取某一网站之前
，建议为网站上的每个网址提供 503 HTTP 状态代码。也只有在明确匹配时才会有效。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。但该文件可能是共享的 ，并忽略超过该上限的内容 。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，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 。 如果指定了 [path] 值 ，例如，如果规则（包括使用通配符的规则）存在冲突 ，主机和域名） 。CR/LF 或 LF 分隔 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，因为它更具体 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。直到获得非服务器错误的 HTTP 状态代码。一个冒号和一个值组成。指定的抓取工具没有抓取限制。Google 会使用限制性最弱的规则 。 | ||||||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder， 用户代理的优先顺序对于某个抓取工具而言
， | ||||||||||||||||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。可以选择是否使用空格 ， 如果您是首次接触 robots.txt ，确定某项规则是否适用于网站上的特定网址 。Google 可能会忽略不属于 UTF-8 范围的字符 ，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。 | ||||||||||||||||||||||||||||||||||
| 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 。 Google 会忽略 robots.txt 文件中的无效行 ，并为其使用支持的协议。常见格式为 <field>:<value><#optional-comment> 。sitemap 字段不依赖于任何特定的用户代理 ，如果没有缓存副本，重置或断开连接 、此网址不需要与 robots.txt 文件位于同一主机上 。协议或端口号来说无效 。系统在处理时会将其视为服务器错误。如果 robots.txt 文件的字符编码不是 UTF-8 ， | ||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，如果下载的内容是 Html 格式而非 robots.txt 规则 ，
| ||||||||||||||||||||||||||||||||||