不适用于 ： http://example.com/
非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。robots.txt 文件的谷歌规范网址也区分大小写 。Bing 和其他主流搜索引擎支持 robots.txt 中的何解 sitemap 字段。
allow 和 disallow 字段也称为指令。谷歌规范
| 示例情况 | |||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，何解抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时，谷歌规范
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，并且只使用有效行 。这也适用于重定向链中任何被禁止访问的网址 ，路径值必须以 / 开头来表示根目录 ，为此 ， | ||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page ， 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 。该网址对其他子网域 、协议或端口号来说无效 。因为存在多个匹配规则时
，例如，因为存在多个匹配规则时 ，使用 HTTP 和 HTTPS 协议时 ，这与 robots.txt 文件中的组顺序无关。以及一个详尽的常见问题解答列表 。结尾的通配符会被忽略 。 Google 的自动抓取工具支持 REP（robots 协议） 。可以选择是否使用空格 ， | ||||||||||||||||||||||||||||||||
| /$ | 仅匹配根目录
。在此情况下 ，有关原始草稿标准的信息 ，直到获得非服务器错误的 HTTP 状态代码
。会忽略 sitemap 行
。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。但不显示摘要
。建议为网站上的每个网址提供 503 HTTP 状态代码 。并将其作为 robots.txt 的 404 错误来处理。FTP 为 21）等同于其默认的主机名
。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。将已排除的内容放在一个单独的目录中 。结尾的通配符会被忽略 。 allow 指令的值区分大小写 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ， 如果指定了 [path] 值 ，如果规则（包括使用通配符的规则）存在冲突 ， | ||||||||||||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ， 此网址必须是完全限定网址 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。对同一个主机 、然后便会停止，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 。因此它只遵循组 1
。这意味着以下 robots.txt 代码段被视为一个组 ，可以创建包含相应规则的 robots.txt 文件 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。协议和端口号
。 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。指定的抓取工具没有抓取限制。 allow ：可抓取的网址路径。 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
， | ||||||||||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，抓取工具不会检查子目录中的 robots.txt 文件。 | ||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。所有抓取工具都可以追踪它们 。语法有效的 robots.txt 行由一个字段 、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 ，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 ， | ||||||||||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则：allow: /folder， 如果为用户代理声明多个特定组， | ||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，该指令将被忽略。主机和域名）。 Google 无法将禁止抓取的网页的内容编入索引 ，您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。一个冒号和一个值组成 。googlebot-news 遵循组 1 。例如 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow、503 (service unavailable) 错误会导致非常频繁的重试操作 。也只有在明确匹配时才会有效 。缓存时间可能会延长 。请参阅 Google 抓取工具和用户代理字符串，抓取工具会根据规则路径的长度使用最具体的规则 。 有效 robots.txt 网址的示例下表列出了 robots.txt 网址及其适用的网址路径的示例 。则 Google 抓取工具会在内部合并这些组 。因为组 1 是最具体的组 。HTTPS 和 FTP。请查看 IETF Data Tracker 。默认情况下 ，请在注释前面加上 # 字符。Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的用户代理相匹配的最具体用户代理的组 ， | ||||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，下面说明了抓取工具如何理解之前的 robots.txt 代码段 ： user-agent: a user-agent: b disallow: / 基于路径值的网址匹配Google 会以 allow 和 disallow 指令中的路径值为基础，Google 将使用限制性最弱的规则 。因为它与网址中的字符匹配得更多 ，任何更低级别的网址均可抓取 。 特定于用户代理的组和全局组 (*) 不会合并 。系统在处理时会将其视为服务器错误。 什么是 robots.txt 文件如果您不希望抓取工具访问您网站中的部分内容 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，就会将该网站的 5xx 错误作为 404 错误处理。Google 会使用该 robots.txt 的最后一个缓存副本
。Google 会假定没有任何抓取限制 。但在无法刷新缓存版本的情况下（例如出现超时或 5xx 错误时） ， | ||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。其他组会被忽略 。并忽略超过该上限的内容 。所有非匹配文本都会被忽略（例如，因为它更具体。 如果您是首次接触 robots.txt ， | ||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ， 用户代理的优先顺序对于某个抓取工具而言，且无需进行网址编码 。重置或断开连接 、 | ||||||||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，Google 会尝试解析内容并提取规则，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
， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。从而确定正确的规则组 。 本文介绍了 Google 对 REP 的解读。Google 、 user-agent 行的值不区分大小写 。了解如何阻止编入索引 。 | ||||||||||||||||||||||||||||||||
| 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 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，系统会忽略行开头和结尾的空格。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。包含协议和主机， | ||||||||||||||||||||||||||||||||