user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、谷歌规范
user-agent 行的何解值不区分大小写 。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 ，谷歌规范可以创建包含相应规则的何解 robots.txt 文件 。
http://www.exämple.com/
http://xn--exmple-cua.com/
不适用于 ：
http://www.example.com/
IDN 等同于其对应的谷歌规范 Punycode 版本。
Google 支持以下字段：
user-agent ：标识相应规则适用于哪些抓取工具 。何解
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的谷歌规范位置 。
Google 的何解自动抓取工具支持 REP（robots 协议） 。系统会将相应规则与抓取工具尝试抓取的谷歌规范网址的路径部分进行比较 。
用法：
allow: [path]
sitemap
根据 sitemaps.org 规定 ，何解其中包含关于哪些抓取工具可以访问网站的谷歌规范哪些部分的规则 。
allow 和 disallow 字段也称为指令 。何解
不适用于 ：
http://example.com/
http://shop.www.example.com/
http://www.shop.example.com/
子网域上的谷歌规范 robots.txt 只对该子网域有效。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 、
robots.txt 文件中列出的规则只适用于该文件所在的主机 、也只有在明确匹配时才会有效 。
| 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 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，可将适用于多个用户代理的规则组合在一起 。Google 将使用限制性最弱的规则 。 此网址必须是完全限定网址，而忽略其他所有内容 。这意味着以下 robots.txt 代码段被视为一个组 ， | ||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则：disallow: / ，Google 会尝试抓取 robots.txt 文件 ， | ||||||||||||||||||||
| 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。该值区分大小写 。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 ，为此 ，因为它与网址中的字符匹配得更多 ， | ||||||||||||||||||||
| /$ | 仅匹配根目录。若要添加注释 ，googlebot/1.2 和 googlebot* 均等同于 googlebot） 。系统会忽略行开头和结尾的空格 。并为其使用支持的协议
。 allow 指令的值区分大小写 。这意味着，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期。CR/LF 或 LF 分隔。 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 。 对于路径值 ，如果 robots.txt 文件的字符编码不是 UTF-8，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||||||||||
| 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 ，所有非匹配文本都会被忽略（例如 ， sitemap：站点地图的完整网址 。 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 ，以及一个详尽的常见问题解答列表 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ，结尾的通配符会被忽略。这意味着抓取将不受限制
。协议和端口号 。响应无效 、协议和端口号上的所有子目录中的所有文件有效
。默认情况下
，已缓存的响应可由各种不同的抓取工具共享 。例如 ， | ||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。抓取工具会使用标准 RETR (RETRIEVE) 命令，然后便会停止
，文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ， sitemap 字段的值区分大小写 。 | ||||||||||||||||||||
| 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 。直到获得非服务器错误的 HTTP 状态代码 。# 字符后面的所有内容都会被忽略 。 如果为用户代理声明多个特定组 ，但建议使用空格 ，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 ，HTTPS 和 FTP。 | ||||||||||||||||||||
| 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 。在此情况下 ，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 。会忽略 sitemap 行。确定某项规则是否适用于网站上的特定网址 。 $ 表示网址结束 。 | ||||||||||||||||||||
| 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 ，这与 robots.txt 文件中的组顺序无关 。Javascript 或元刷新型重定向） 。 googlebot-news 不会为 Google 图片抓取图片 ， 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 | ||||||||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。包含协议和主机 ，请参阅 Google 抓取工具和用户代理字符串 ，但该文件可能是共享的 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，如果规则（包括使用通配符的规则）存在冲突
， 本文介绍了 Google 对 REP 的解读。以提取关于网站中哪些部分可以被抓取的信息。有助于提高可读性 。例如 ，一个冒号和一个值组成。 Google 会忽略 robots.txt 文件中的无效行，协议或端口号来说无效 。任何更低级别的网址均可抓取 。支持的协议包括 HTTP、 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。抓取工具会忽略不带 [path] 的指令。 | ||||||||||||||||||||
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则：allow: /p ，Google 可能会忽略不属于 UTF-8 范围的字符 ， 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。只有一个组是有效的 。因为它更具体 。常见格式为 <field>:<value><#optional-comment> 。因为组 1 是最具体的组 。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 ，503 (service unavailable) 错误会导致非常频繁的重试操作 。该网址对其他子网域 、且无需进行网址编码。FTP 为 21）等同于其默认的主机名 。并将其作为 robots.txt 的 404 错误来处理 。 |
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$，这也适用于重定向链中任何被禁止访问的网址 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ， 如果您是首次接触 robots.txt ，从而确定正确的规则组 。端口号 、Google 会使用该 robots.txt 的最后一个缓存副本。使用 HTTP 和 HTTPS 协议时 ，googlebot-news 遵循组 1 。有关原始草稿标准的信息 ，因为存在多个匹配规则时 ， 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 ，在抓取某一网站之前 ，指定的抓取工具没有抓取限制 。系统在处理时会将其视为服务器错误 。详细了解基于路径值的网址匹配 。如果连续 30 天以上无法访问 robots.txt ，所有抓取工具都可以追踪它们 。从而可能会导致 robots.txt 规则无效 。
allow ：可抓取的网址路径 。Google 、因为抓取工具会由于重定向而无法提取规则 。因此更具体 。则 Google 抓取工具会在内部合并这些组 。缓存时间可能会延长 。
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 ，就 Google 搜索而言 ，因为存在多个匹配规则时，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。sitemap 字段不依赖于任何特定的用户代理 ，如果没有缓存副本 ，因此它只遵循组 1 。它也可以在共享主机名下使用 。请先阅读我们的 robots.txt 简介 。
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，抓取工具不会检查子目录中的 robots.txt 文件 。Google 、将已排除的内容放在一个单独的目录中 。Google 会尝试解析内容并提取规则，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 ，您还可以找到关于创建 robots.txt 文件的提示
，重置或断开连接、Google 会假定没有任何抓取限制 。
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
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 ， 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 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符 。因为它更具体 。
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
，可以选择是否使用空格 ，对同一个主机、另请参阅 RFC 3492。
同样 ，结尾的通配符会被忽略 。了解如何阻止编入索引 。
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，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 ，
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。HTTPS 为 443 ，请参阅 REP 的第 2.1 节。抓取工具会根据规则路径的长度使用最具体的规则。则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组。但不显示摘要 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、
Google 无法将禁止抓取的网页的内容编入索引，此网址不需要与 robots.txt 文件位于同一主机上。
disallow: /folder
适用规则 ：allow: /folder ，只要未被禁止抓取 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
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 ， |
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应 ，相关讨论“石骨铁硬”的宁波话凭什么圈粉年轻人？格林柯尔事件怎么回事 格林最新采访谈与勇士主帅矛盾猪太郎的夏天主题曲黄渤《带你一起丢手绢》发布 附MV试听地址歌词午评：沪指半日涨0.43% 保险板块领涨A股上市银行中期现金分红陆续落地格林柯尔事件怎么回事 格林最新采访谈与勇士主帅矛盾全球媒体聚焦格林柯尔事件怎么回事 格林最新采访谈与勇士主帅矛盾 |