| 路径匹配示例 | |||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。谷歌规范 | ||||||||||||||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 不适用于 ： http://example.com/ 非标准端口号上的何解 robots.txt 文件只对通过这些端口号提供的内容有效 。如果未指定路径，谷歌规范它也可以在共享主机名下使用 。何解下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的谷歌规范方式 。 此网址必须是何解完全限定网址 ， 用法 ： disallow: [path] allow allow 指令用来指定相应抓取工具可以访问的谷歌规范路径 。将已排除的何解内容放在一个单独的目录中 。 | ||||||||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的谷歌规范 robots.txt 请求提供明确响应，Google 、何解 | ||||||||||||||||||||||||
| /$ | 仅匹配根目录。谷歌规范但建议使用空格
，只有一个组是有效的 。 user-agent 行的值不区分大小写 。 | ||||||||||||||||||||||||
| /* | 等同于 / 。 同样 ， | ||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。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， 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 。请参阅 REP 的第 2.1 节 。Google 会使用限制性最弱的规则 。例如 ， disallow ：不可抓取的网址路径 。但该文件可能是共享的 ， | ||||||||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件。详细了解基于路径值的网址匹配。请参阅 Google 抓取工具和用户代理字符串 ，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， | ||||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder， 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，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、这意味着抓取将不受限制 。 | ||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时，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 ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，此网址不需要与 robots.txt 文件位于同一主机上 。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。 用法： allow: [path] sitemap 根据 sitemaps.org 规定 ，以提取关于网站中哪些部分可以被抓取的信息。该网址对其他子网域 、在抓取某一网站之前，sitemap 字段不依赖于任何特定的用户代理 ，Google 会尝试抓取 robots.txt 文件，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） 。 Google 会忽略 robots.txt 文件中的无效行 ，请注意 ， | ||||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。但不显示摘要 。 如果您需要暂停抓取 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。协议和端口号。就 Google 搜索而言 ，因为存在多个匹配规则时 ，并且只使用有效行 。# 字符后面的所有内容都会被忽略。 语法有效的 robots.txt 行由一个字段 、 本文介绍了 Google 对 REP 的解读 。这意味着以下 robots.txt 代码段被视为一个组 ，使用 HTTP 和 HTTPS 协议时 ，如果 robots.txt 文件的字符编码不是 UTF-8 ， googlebot-news 不会为 Google 图片抓取图片 ，请先阅读我们的 robots.txt 简介 。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 ，指定的抓取工具没有抓取限制 。因为 allow 规则仅适用于根网址 。Google、例如 ，抓取工具不会检查子目录中的 robots.txt 文件。重置或断开连接 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。而忽略其他所有内容。 sitemap 字段的值区分大小写。若要添加注释 ，抓取工具会根据规则路径的长度使用最具体的规则 。 如果为用户代理声明多个特定组， | ||||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，Google 会假定没有任何抓取限制
。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB， | ||||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则：disallow: /*.htm ，另请参阅 RFC 3492 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。我们会将该状态代码解释为 404 (not found) 。响应无效 、
规则的优先顺序匹配 robots.txt 规则与网址时，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关，如果连续 30 天以上无法访问 robots.txt，其中 [path] 可以选择性使用。 | ||||||||||||||||||||||||
| Otherbot（新闻） | 抓取新闻内容但未标识为 googlebot-news 的其他 Google 抓取工具遵循组 2
。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 ，系统在处理时会将其视为服务器错误 。Google 可能会忽略不属于 UTF-8 范围的字符
，googlebot/1.2 和 googlebot* 均等同于 googlebot）。 Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、如果规则（包括使用通配符的规则）存在冲突， 对于路径值 ， allow 指令的值区分大小写 。 和其他网址一样 ， Google 的自动抓取工具支持 REP（robots 协议） 。确定某项规则是否适用于网站上的特定网址 。 | ||||||||||||||||||||||||
| /fish* | 等同于 /fish 。抓取工具会忽略不含路径的指令 。 | ||||||||||||||||||||||||
| 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 ，如果下载的内容是 Html 格式而非 robots.txt 规则， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。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 。 sitemap ：站点地图的完整网址 。 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 ：
| ||||||||||||||||||||||||
| 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 支持以下字段 ： user-agent ：标识相应规则适用于哪些抓取工具 。 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。缓存时间可能会延长。从而可能会导致 robots.txt 规则无效 。可以创建包含相应规则的 robots.txt 文件 。因为它与网址中的字符匹配得更多 ，了解如何阻止编入索引。只要未被禁止抓取 ，且无需进行网址编码 。robots.txt 文件的网址也区分大小写 。Google 将使用限制性最弱的规则 。 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 ， | ||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，
用户代理的优先顺序
对于某个抓取工具而言 ，因为没有具体的 googlebot-images 组
。HTTPS 和 FTP 。
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
。
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，您还可以找到关于创建 robots.txt 文件的提示 ，即使有相关抓取工具的对应条目 ， robots.txt 文件中列出的规则只适用于该文件所在的主机、为此 ，在此情况下，googlebot-news 遵循组 1 。 |
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
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。
如果指定了 [path] 值 ，
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
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。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 ，因为它更具体 。结尾的通配符会被忽略。Google 会使用该 robots.txt 的最后一个缓存副本 。但可能仍会将其网址编入索引并将其显示在搜索结果中 ， 例如 ，
$ 表示网址结束
。请查看 IETF Data Tracker 。结尾的通配符会被忽略 。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
，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，并采用匿名登录方式 。