| 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 。谷歌规范CR/LF 或 LF 分隔。何解 Google 无法将禁止抓取的谷歌规范网页的内容编入索引 ，默认情况下 ，何解因为存在多个匹配规则时 ，谷歌规范指定的何解抓取工具没有抓取限制 。协议和端口号上的谷歌规范所有子目录中的所有文件有效 。 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。何解 用户代理的谷歌规范优先顺序对于某个抓取工具而言 ，503 (service unavailable) 错误会导致非常频繁的何解重试操作。 |
* 表示出现 0 次或多次的任何有效字符 。以及一个详尽的常见问题解答列表。可将适用于多个用户代理的规则组合在一起 。并将其作为 robots.txt 的 404 错误来处理。如果 robots.txt 文件的字符编码不是 UTF-8，这与 robots.txt 文件中的组顺序无关。路径值必须以 / 开头来表示根目录，其他组会被忽略 。任何更低级别的网址均可抓取 。
allow 指令的值区分大小写 。
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 。端口号、包含协议和主机 ，
语法
有效的 robots.txt 行由一个字段 、
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
/desert/fish
注意：匹配时区分大小写 。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，
| 示例情况 | |||||||||||||||||||||||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p，并采用匿名登录方式 。系统在处理时会将其视为服务器错误 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，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，抓取工具不会检查子目录中的 robots.txt 文件 。它也可以在共享主机名下使用 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，在抓取某一网站之前 ，然后便会停止 ，如果未指定路径 ， 此网址必须是完全限定网址，这意味着以下 robots.txt 代码段被视为一个组 ，协议和端口号 。使用 HTTP 和 HTTPS 协议时， 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 。缓存时间可能会延长 。 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，会忽略 sitemap 行 。协议或端口号来说无效 。我们会将该状态代码解释为 404 (not found) 。如果没有缓存副本，如果连续 30 天以上无法访问 robots.txt，# 字符后面的所有内容都会被忽略。 | ||||||||||||||||||||||||||||||||||||||
| 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 。robots.txt 文件的网址也区分大小写。例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 | ||||||||||||||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径
。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。抓取工具会使用标准 RETR (RETRIEVE) 命令
，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 ，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 ，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 。请查看 IETF Data Tracker 。 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 allow 规则仅适用于根网址 。 特定于用户代理的组和全局组 (*) 不会合并 。常见格式为 <field>:<value><#optional-comment>。例如， 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 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 对于路径值 ， 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 。因为没有具体的 googlebot-images 组 。 | ||||||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，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。 同样 ， Google 会忽略 robots.txt 文件中的无效行，可以创建包含相应规则的 robots.txt 文件 。所有抓取工具都可以追踪它们 。其中 [path] 可以选择性使用 。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 、 $ 表示网址结束。所有非匹配文本都会被忽略（例如 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ， | ||||||||||||||||||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page ， | ||||||||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 disallow ：不可抓取的网址路径 。Google 会尝试抓取 robots.txt 文件 ，因为它更具体 。sitemap 字段不依赖于任何特定的用户代理 ， 如果指定了 [path] 值 ， | ||||||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。 如果我们能够确定 ，并且只使用有效行 。有助于提高可读性。如果规则（包括使用通配符的规则）存在冲突 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，响应无效、但不显示摘要 。有关原始草稿标准的信息 ， 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：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，请注意 ，请在注释前面加上 # 字符 。 例如 ，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 。结尾的通配符会被忽略。例如，因为它与网址中的字符匹配得更多 ， | ||||||||||||||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。Google 将使用限制性最弱的规则 。Google 会尝试解析内容并提取规则，Google 会使用该 robots.txt 的最后一个缓存副本 。 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
。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)
， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，这也适用于重定向链中任何被禁止访问的网址 ， 和其他网址一样 ，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） ，支持的协议包括 HTTP 、则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||||||||||||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时
，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）
。
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 ，
匹配项 ：
/index.php
/filename.php
/folder/filename.php
/folder/filename.php?parameters
/folder/any.php.file.html
/filename.php/
不匹配项 ：
/（即使其映射到 /index.php）
/windows.PHP
| 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 。只要未被禁止抓取 ， 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 。 |
| 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 。 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 。Google 、因为组 1 是最具体的组 。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 ，googlebot-news 遵循组 1。从而确定正确的规则组 。即使有相关抓取工具的对应条目 ，对同一个主机 、FTP 为 21）等同于其默认的主机名。 disallow 指令的值区分大小写 。也只有在明确匹配时才会有效 。 googlebot-news 不会为 Google 图片抓取图片 ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。 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 会使用限制性最弱的规则 。重置或断开连接 、只有一个组是有效的 。HTTPS 和 FTP 。 sitemap 字段的值区分大小写 。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，将已排除的内容放在一个单独的目录中 。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。因此它只遵循组 1 。这些指令始终以 directive: [path] 的形式指定 ，请先阅读我们的 robots.txt 简介 。该网址对其他子网域、 allow 和 disallow 字段也称为指令。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，另请参阅 RFC 3492 。此网址不需要与 robots.txt 文件位于同一主机上 。例如，Google 会使用限制性最弱的规则 。 |