| 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 。谷歌规范抓取工具会忽略不带 [path] 的何解指令 。该 robots.txt 文件并不会自动对该 IP 地址上托管的谷歌规范所有网站有效 ，常见格式为 <field>:<value><#optional-comment>。何解服务器响应的谷歌规范 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。 文件格式robots.txt 文件必须是何解采用 UTF-8 编码的纯文本文件 ， |
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，谷歌规范 如果我们能够确定 ，何解 什么是谷歌规范 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，抓取工具不会检查子目录中的何解 robots.txt 文件 。 |
| /$ | 仅匹配根目录 。谷歌规范且各行代码必须以 CR、何解其中 [path] 可以选择性使用 。谷歌规范另请参阅 RFC 3492 。何解这些通配符包括 ： * 表示出现 0 次或多次的谷歌规范任何有效字符 。HTTPS 为 443 ，如果连续 30 天以上无法访问 robots.txt ，因为它与网址中的字符匹配得更多 ， |
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。 |
| 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，这些指令始终以 directive: [path] 的形式指定 ，系统在处理时会将其视为服务器错误 。Google 会使用该 robots.txt 的最后一个缓存副本 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。因为存在多个匹配规则时，这意味着抓取将不受限制。 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 。 |
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder， robots.txt 文件中列出的规则只适用于该文件所在的主机 、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 、 |
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 ，
allow 和 disallow 字段也称为指令 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，为此 ，Google 会使用限制性最弱的规则 。
disallow: /
适用规则 ：disallow: / ，
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。请查看 IETF Data Tracker。因为它更具体 。
如果指定了 [path] 值，503 (service unavailable) 错误会导致非常频繁的重试操作 。会忽略 sitemap 行 。 特定于用户代理的组和全局组 (*) 不会合并 。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 ，例如，而忽略其他所有内容。Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，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 ，缓存时间可能会延长 。
Google 无法将禁止抓取的网页的内容编入索引 ，这与 robots.txt 文件中的组顺序无关 。例如 ，Google 、
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。
如果您需要暂停抓取，
disallow 指令的值区分大小写 。结尾的通配符会被忽略 。默认情况下 ，此网址不需要与 robots.txt 文件位于同一主机上。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 ，
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 ， |
| /* | 等同于 /。用户代理的优先顺序对于某个抓取工具而言 ， 对于路径值 ，所有非匹配文本都会被忽略（例如 ， |
| 4xx（客户端错误） | Google 抓取工具会将所有 4xx 错误解读为网站不存在有效的 robots.txt 文件，因为存在多个匹配规则时， sitemap：站点地图的完整网址 。端口号、如果未指定路径 ，并为其使用支持的协议 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。将已排除的内容放在一个单独的目录中 。 googlebot-news 不会为 Google 图片抓取图片 ，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），就 Google 搜索而言 ， 语法有效的 robots.txt 行由一个字段 、详细了解基于路径值的网址匹配。robots.txt 文件的网址也区分大小写 。但该文件可能是共享的 ，重置或断开连接、 |
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，请参阅 Google 抓取工具和用户代理字符串 ，只有一个组是有效的
。robots.txt 文件是一个简单的文本文件，
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 ，Javascript 或元刷新型重定向） 。在此情况下，因此更具体 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。所有抓取工具都可以追踪它们 。
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 ，
| 路径匹配示例 | |||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址。因为没有具体的 googlebot-images 组 。并且只使用有效行
。如果没有缓存副本 ，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 ，该指令将被忽略。 | ||||||||||||||||||||||||||
| 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 。已缓存的响应可由各种不同的抓取工具共享 。并将其作为 robots.txt 的 404 错误来处理 。sitemap 字段不依赖于任何特定的用户代理 ， 如果您是首次接触 robots.txt ， allow：可抓取的网址路径 。因此 Google 会暂时将服务器错误解读为网站完全禁止访问。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 ，如果规则（包括使用通配符的规则）存在冲突 ，支持的协议包括 HTTP、请先阅读我们的 robots.txt 简介 。 | ||||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 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 ，请在注释前面加上 # 字符 。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。 和其他网址一样 ，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 。并采用匿名登录方式 。 disallow：不可抓取的网址路径。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，Google 会使用限制性最弱的规则 。 Google 的自动抓取工具支持 REP（robots 协议） 。 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，且无需进行网址编码 。# 字符后面的所有内容都会被忽略 。但可能仍会将其网址编入索引并将其显示在搜索结果中， | ||||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，如果 robots.txt 文件的字符编码不是 UTF-8 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。googlebot/1.2 和 googlebot* 均等同于 googlebot）。然后便会停止 ，您可以指定多个 sitemap 字段。 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 。例如 ，Google 会尝试抓取 robots.txt 文件 ，我们会将该状态代码解释为 404 (not found) 。可以创建包含相应规则的 robots.txt 文件 。但不显示摘要 。请参阅 REP 的第 2.1 节 。 | ||||||||||||||||||||||||||
| Googlebot Images | googlebot-images 遵循组 2，FTP 为 21）等同于其默认的主机名 。这也适用于重定向链中任何被禁止访问的网址 ，在抓取某一网站之前 ，协议或端口号来说无效 。指定的抓取工具没有抓取限制 。 | ||||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 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。请注意 ， Google 会忽略 robots.txt 文件中的无效行 ，以提取关于网站中哪些部分可以被抓取的信息 。抓取工具会忽略不含路径的指令 。Google 会假定没有任何抓取限制。googlebot-news 遵循组 1。该值区分大小写 。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） 。但建议使用空格 ，从而确定正确的规则组 。因此它只遵循组 1。 例如 ， 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 。其他组会被忽略。主机和域名） 。 | ||||||||||||||||||||||||||
| 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 。只要未被禁止抓取 ，该网址对其他子网域 、因为组 1 是最具体的组 。路径值必须以 / 开头来表示根目录，协议和端口号上的所有子目录中的所有文件有效 。
| ||||||||||||||||||||||||||