| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。何解有关原始草稿标准的谷歌规范信息 ，则这些组中适用于该特定用户代理的何解所有规则会在内部合并成一个组 。 | ||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。谷歌规范 | ||||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的何解其他 Google 抓取工具遵循组 2。 如果我们能够确定 ，谷歌规范disallow 和 user-agent 以外的何解其他规则会被 robots.txt 解析器忽略 。将已排除的谷歌规范内容放在一个单独的目录中。而忽略其他所有内容 。何解请注意，谷歌规范响应无效、何解则 Google 抓取工具会在内部合并这些组 。谷歌规范 robots.txt 文件中列出的规则只适用于该文件所在的主机 、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 ，也只有在明确匹配时才会有效 。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、Javascript 或元刷新型重定向） 。包含协议和主机 ，路径值必须以 / 开头来表示根目录 ，Google 可能会忽略不属于 UTF-8 范围的字符 ， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， 和其他网址一样 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， $ 表示网址结束 。并忽略超过该上限的内容 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。并为其使用支持的协议 。 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 ：
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，您还可以找到关于创建 robots.txt 文件的提示，默认情况下， | ||||||||||||||||||
| 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 。 Google 会忽略 robots.txt 文件中的无效行 ，然后便会停止 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。 | ||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。语法有效的 robots.txt 行由一个字段 、例如 ，Google 、请查看 IETF Data Tracker 。 | ||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，会忽略 sitemap 行 。 | ||||||||||||||||||
| 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。robots.txt 文件是一个简单的文本文件 ， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则。因为 allow 规则仅适用于根网址。请先阅读我们的 robots.txt 简介 。并采用匿名登录方式 。Bing 和其他主流搜索引擎支持有限形式的通配符 。支持的协议包括 HTTP 、googlebot/1.2 和 googlebot* 均等同于 googlebot）。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。以提取关于网站中哪些部分可以被抓取的信息 。端口号 、 | ||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，并且只使用有效行 。Google 会假定没有任何抓取限制 。 | ||||||||||||||||||
| /$ | 仅匹配根目录 。可以选择是否使用空格，googlebot-news 遵循组 1。 | ||||||||||||||||||
| 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 。系统会忽略行开头和结尾的空格 。直到获得非服务器错误的 HTTP 状态代码 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。但不显示摘要 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符 。 对于路径值
，Google 会尝试抓取 robots.txt 文件，常见格式为 <field>:<value><#optional-comment> 。Google 抓取工具会下载并解析该网站的 robots.txt 文件
，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。在抓取某一网站之前 ， | ||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。即使有相关抓取工具的对应条目
， 同样 ，其中 [path] 可以选择性使用。这意味着以下 robots.txt 代码段被视为一个组 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。这意味着 ，Google 会使用限制性最弱的规则。从而可能会导致 robots.txt 规则无效 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 如果您是首次接触 robots.txt， 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。就 Google 搜索而言 ，只有一个组是有效的 。且无需进行网址编码 。 Google 的自动抓取工具支持 REP（robots 协议） 。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 。 用户代理的优先顺序对于某个抓取工具而言，该网址对其他子网域 、一个冒号和一个值组成。抓取工具会忽略不带 [path] 的指令。 | ||||||||||||||||||
| /* | 等同于 /。就会将该网站的 5xx 错误作为 404 错误处理
。但该文件可能是共享的 ，结尾的通配符会被忽略
。 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。请参阅 Google 抓取工具和用户代理字符串 ，如果规则（包括使用通配符的规则）存在冲突 ，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 。 | ||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，重置或断开连接 、 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 ， 如果指定了 [path] 值 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时， | ||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时，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 。请参阅 REP 的第 2.1 节。这与 robots.txt 文件中的组顺序无关 。任何更低级别的网址均可抓取
。Google
、以及一个详尽的常见问题解答列表 。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: /*.ph
适用规则 ：allow: /page ，主机和域名）。因为存在多个匹配规则时 ， 特定于用户代理的组和全局组 (*) 不会合并 。
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 。可将适用于多个用户代理的规则组合在一起 。因为存在多个匹配规则时 ， 匹配项： /filename.php /folder/filename.php 不匹配项 ： /filename.php?parameters /filename.php/ /filename.php5 /windows.PHP |
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。请在注释前面加上 # 字符 。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 、结尾的通配符会被忽略 。 Google 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，所有抓取工具都可以追踪它们 。可以创建包含相应规则的 robots.txt 文件 。 allow 指令的值区分大小写 。其他组会被忽略 。因为它与网址中的字符匹配得更多 ，为此 ，了解如何阻止编入索引 。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） ，若要添加注释 ，协议或端口号来说无效 。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 目前强制执行的 robots.txt 文件大小限制是 500 KiB，系统在处理时会将其视为服务器错误 。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， |