如果指定了 [path] 值 ，何解 特定于用户代理的谷歌规范组和全局组 (*) 不会合并 。抓取工具会忽略不带 [path] 的何解指令 。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 。Google 抓取工具会下载并解析该网站的何解 robots.txt 文件 ，就 Google 搜索而言 ，谷歌规范可以选择是何解否使用空格 ，Google 会使用限制性最弱的谷歌规范规则 。FTP 为 21）等同于其默认的何解主机名。这也适用于重定向链中任何被禁止访问的谷歌规范网址 ，如果返回 5xx 状态代码的何解网页上的错误消息为"找不到网页" ，包含协议和主机 ，谷歌规范常见格式为 <field>:<value><#optional-comment> 。何解协议或端口号来说无效 。谷歌规范
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 ，
Google 会忽略 robots.txt 文件中的无效行 ，
语法
有效的 robots.txt 行由一个字段 、这意味着 ，这意味着抓取将不受限制 。
disallow 指令的值区分大小写 。但建议使用空格 ，
disallow ：不可抓取的网址路径。请注意 ，就会将该网站的 5xx 错误作为 404 错误处理
。然后便会停止，重置或断开连接
、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
，Google 会尝试抓取 robots.txt 文件 ，因为 allow 规则仅适用于根网址 。主机和域名） 。如果连续 30 天以上无法访问 robots.txt
，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，Google 会尝试解析内容并提取规则 ，即使有相关抓取工具的对应条目，详细了解基于路径值的网址匹配 。因为抓取工具会由于重定向而无法提取规则。使用 HTTP 和 HTTPS 协议时，
同样 ，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） ，
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。
| 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 。 $ 表示网址结束 。# 字符后面的所有内容都会被忽略 。因此它只遵循组 1 。HTTPS 和 FTP 。建议为网站上的每个网址提供 503 HTTP 状态代码 。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 。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 会假定没有任何抓取限制 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ， |
| 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 。 allow 指令的值区分大小写
。googlebot/1.2 和 googlebot* 均等同于 googlebot）
。它也可以在共享主机名下使用
。支持的协议包括 HTTP、 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 。 |
| /*.php$ | 匹配以 .php 结尾的任何路径。另请参阅 RFC 3492 。可以创建包含相应规则的 robots.txt 文件 。您可以指定多个 sitemap 字段 。且各行代码必须以 CR
、从而确定正确的规则组。路径值必须以 / 开头来表示根目录
， 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp |
| /*.php | 匹配包含 .php 的任何路径 。但不显示摘要。结尾的通配符会被忽略 。并忽略超过该上限的内容。 |
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$，例如 ，有关原始草稿标准的信息 ， 本文介绍了 Google 对 REP 的解读 。googlebot-news 遵循组 1 。 用户代理的优先顺序对于某个抓取工具而言 ， 如果为用户代理声明多个特定组 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。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 ， |
| /* | 等同于 / 。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 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 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。因为存在多个匹配规则时 ， Google 支持以下字段： user-agent：标识相应规则适用于哪些抓取工具 。如果没有缓存副本 ， |
| 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
，如果下载的内容是 Html 格式而非 robots.txt 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 。 |
| ftp://example.com/robots.txt | 适用于 ： ftp://example.com/ 不适用于 ： http://example.com/ |
| http://212.96.82.21/robots.txt | 适用于 ： http://212.96.82.21/ 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。有助于提高可读性 。 sitemap 字段的值区分大小写 。端口号 、这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符。任何更低级别的网址均可抓取 。 |
规则的优先顺序
匹配 robots.txt 规则与网址时 ，其他组会被忽略。默认情况下 ，则 Google 抓取工具会在内部合并这些组 。因为存在多个匹配规则时 ，所有非匹配文本都会被忽略（例如 ，从而可能会导致 robots.txt 规则无效 。而忽略其他所有内容 。503 (service unavailable) 错误会导致非常频繁的重试操作 。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） 。您还可以找到关于创建 robots.txt 文件的提示 ，
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 。robots.txt 文件的网址也区分大小写。该指令将被忽略 。但该文件可能是共享的 ，Google、sitemap 字段不依赖于任何特定的用户代理，
disallow: /
适用规则 ：disallow: / ，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 。因为它与网址中的字符匹配得更多 ，这与 robots.txt 文件中的组顺序无关 。HTTP 组块错误等）而无法抓取的 robots.txt 文件， 例如 ，请参阅 Google 抓取工具和用户代理字符串 ，Google 将使用限制性最弱的规则 。并且只使用有效行 。请在注释前面加上 # 字符 。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 ，
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。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 ，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。只要未被禁止抓取，
disallow: /folder
适用规则 ：allow: /folder ，以提取关于网站中哪些部分可以被抓取的信息。此网址不需要与 robots.txt 文件位于同一主机上 。
sitemap ：站点地图的完整网址 。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 。
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 ，Javascript 或元刷新型重定向） 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，为此 ，
allow：可抓取的网址路径。
| 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 。这些指令始终以 directive: [path] 的形式指定 ， |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
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 ，了解如何阻止编入索引 。 | ||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，HTTPS 为 443 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。 Google 无法将禁止抓取的网页的内容编入索引 ， 和其他网址一样 ，也只有在明确匹配时才会有效 。请先阅读我们的 robots.txt 简介 。指定的抓取工具没有抓取限制 。缓存时间可能会延长 。抓取工具会根据规则路径的长度使用最具体的规则 。所有抓取工具都可以追踪它们。因为没有具体的 googlebot-images 组 。一个冒号和一个值组成 。如果规则（包括使用通配符的规则）存在冲突，因为组 1 是最具体的组 。可将适用于多个用户代理的规则组合在一起 。确定某项规则是否适用于网站上的特定网址。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 。 | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时
、
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 | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。Google 可能会忽略不属于 UTF-8 范围的字符 ，会忽略 sitemap 行。例如： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||||||
| /fish* | 等同于 /fish 。 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 ，结尾的通配符会被忽略。将已排除的内容放在一个单独的目录中 。这意味着以下 robots.txt 代码段被视为一个组 ， | ||||||||
| 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 ，请参阅 REP 的第 2.1 节 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，系统在处理时会将其视为服务器错误。 | ||||||||
| /fish | 匹配以 /fish 开头的任何路径。 如果您需要暂停抓取 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，例如 ，在抓取某一网站之前 ，CR/LF 或 LF 分隔 。且无需进行网址编码 。例如，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 对于路径值，直到获得非服务器错误的 HTTP 状态代码 。 | ||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 | ||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， allow 和 disallow 字段也称为指令
。 | ||||||||
| 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 、如果 robots.txt 文件的字符编码不是 UTF-8 ， robots.txt 文件中列出的规则只适用于该文件所在的主机、 | ||||||||
| Googlebot（网络） | googlebot 遵循组 3。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 ， | ||||||||
| 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 的自动抓取工具支持 REP（robots 协议） 。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 ，对同一个主机 、 | ||||||||