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 ， googlebot-news 不会为 Google 图片抓取图片 ，何解例如 ，谷歌规范因此 user-agent a 和 b 均受 disallow: / 规则的何解影响：
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 ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，谷歌规范但该文件可能是何解共享的 ，其他组会被忽略。谷歌规范抓取工具会根据规则路径的何解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、谷歌规范其中 [path] 可以选择性使用 。何解
本文介绍了 Google 对 REP 的谷歌规范解读。例如 ，何解在抓取某一网站之前 ，谷歌规范有关原始草稿标准的信息
，
如果我们能够确定 ，
| 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
。且各行代码必须以 CR 、 allow 指令的值区分大小写 。也只有在明确匹配时才会有效 。 $ 表示网址结束 。这与 robots.txt 文件中的组顺序无关 。
规则的优先顺序匹配 robots.txt 规则与网址时 ，只要未被禁止抓取 ， | ||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， disallow 指令的值区分大小写 。 | ||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ， | ||||||||||||
| 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 。 | ||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，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），Bing 和其他主流搜索引擎支持有限形式的通配符。请查看 IETF Data Tracker 。 sitemap ：站点地图的完整网址 。Google 抓取工具会下载并解析该网站的 robots.txt 文件，Google 、缓存时间可能会延长 。 用法： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置
。 特定于用户代理的组和全局组 (*) 不会合并 。为此 ，Google 会使用限制性最弱的规则
。 | ||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。因此更具体
。 如果您需要暂停抓取 ，因为存在多个匹配规则时，这意味着抓取将不受限制 。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: 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 ，则 Google 抓取工具会在内部合并这些组 。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/folder/robots.txt | 不是有效的 robots.txt 文件 。我们会将该状态代码解释为 404 (not found) 。 | ||||||||||||
| 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 ，请在注释前面加上 # 字符 。 | ||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。一个冒号和一个值组成 。详细了解基于路径值的网址匹配
。抓取工具会忽略不带 [path] 的指令 。可将适用于多个用户代理的规则组合在一起
。并采用匿名登录方式。默认情况下，端口号
、 robots.txt 文件中列出的规则只适用于该文件所在的主机 、指定的抓取工具没有抓取限制 。Google 会使用该 robots.txt 的最后一个缓存副本。 disallow ：不可抓取的网址路径 。 如果您是首次接触 robots.txt ，并将其作为 robots.txt 的 404 错误来处理。这些指令始终以 directive: [path] 的形式指定 ，因为它更具体 。包含协议和主机 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
| ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，robots.txt 文件是一个简单的文本文件 ，robots.txt 文件的网址也区分大小写 。Google、如果连续 30 天以上无法访问 robots.txt， allow 和 disallow 字段也称为指令 。 | ||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，HTTPS 为 443 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，CR/LF 或 LF 分隔 。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 ，
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、所有非匹配文本都会被忽略（例如，该网址对其他子网域、并且只使用有效行 。
匹配项
：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
| 路径匹配示例 | |||||
| / | 匹配根目录以及任何下级网址 。 | ||||
| Googlebot Images | googlebot-images 遵循组 2，如果规则（包括使用通配符的规则）存在冲突 ，请参阅 Google 抓取工具和用户代理字符串，就 Google 搜索而言 ， 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 。对同一个主机 、 | ||||
| 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 。sitemap 字段不依赖于任何特定的用户代理 ，将已排除的内容放在一个单独的目录中 。Javascript 或元刷新型重定向） 。因为抓取工具会由于重定向而无法提取规则 。 用户代理的优先顺序对于某个抓取工具而言 ，而忽略其他所有内容 。可以选择是否使用空格 ，请参阅 REP 的第 2.1 节 。响应无效 、 | ||||
| /* | 等同于 /。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。所有抓取工具都可以追踪它们 。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 ，该值区分大小写 。结尾的通配符会被忽略 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。主机和域名）。语法有效的 robots.txt 行由一个字段 、了解如何阻止编入索引 。 | ||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、例如 ，在此情况下 ， allow ：可抓取的网址路径 。因为它更具体 。任何更低级别的网址均可抓取 。这意味着以下 robots.txt 代码段被视为一个组， 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 。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 。以及一个详尽的常见问题解答列表 。因为组 1 是最具体的组 。googlebot-news 遵循组 1 。因为存在多个匹配规则时 ， user-agent 行的值不区分大小写 。另请参阅 RFC 3492 。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 ， | ||||
| 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 。 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 ，您可以指定多个 sitemap 字段 。例如 ，确定某项规则是否适用于网站上的特定网址。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，抓取工具会忽略不含路径的指令 。它也可以在共享主机名下使用 。Google 会假定没有任何抓取限制 。因为 allow 规则仅适用于根网址 。因为没有具体的 googlebot-images 组 。如果未指定路径 ，请先阅读我们的 robots.txt 简介 。协议和端口号 。 如果为用户代理声明多个特定组 ， 如果指定了 [path] 值
， | ||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。就会将该网站的 5xx 错误作为 404 错误处理 。且无需进行网址编码 。 同样 ，如果没有缓存副本，协议或端口号来说无效 。抓取工具不会检查子目录中的 robots.txt 文件 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， Google 的自动抓取工具支持 REP（robots 协议）。 | ||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，但不显示摘要 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。您还可以找到关于创建 robots.txt 文件的提示 ，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 ，并为其使用支持的协议。
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
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 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。