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，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。谷歌规范服务器响应的何解 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。谷歌规范该值区分大小写 。何解结尾的谷歌规范通配符会被忽略 。Google 、何解默认情况下 ，谷歌规范但可能仍会将其网址编入索引并将其显示在搜索结果中 ，何解响应无效 、谷歌规范
对于路径值 ，何解请注意 ，谷歌规范了解如何阻止编入索引。何解为此 ，谷歌规范
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 Punycode 版本 。
用户代理的优先顺序
对于某个抓取工具而言 ，对同一个主机 、因为它更具体。可将适用于多个用户代理的规则组合在一起。获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。请查看 IETF Data Tracker 。路径值必须以 / 开头来表示根目录 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
$ 表示网址结束 。Google 会假定没有任何抓取限制 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，
匹配项 ：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
| 路径匹配示例 | |||||||||||||
| / | 匹配根目录以及任何下级网址 。若要添加注释，因此更具体 。 | ||||||||||||
| /* | 等同于 / 。在此情况下 ，# 字符后面的所有内容都会被忽略 。因为组 1 是最具体的组。Google 会使用限制性最弱的规则 。其他组会被忽略。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，并采用匿名登录方式 。 | ||||||||||||
| 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 。 | ||||||||||||
| 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，如果未指定路径， | ||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则：allow: /$ ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，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 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件， Google 的自动抓取工具支持 REP（robots 协议）。并忽略超过该上限的内容 。 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 ，缓存时间可能会延长 。Javascript 或元刷新型重定向） 。此网址不需要与 robots.txt 文件位于同一主机上。 | ||||||||||||
| Googlebot Images | googlebot-images 遵循组 2 ，Google 会使用该 robots.txt 的最后一个缓存副本 。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） 。只有一个组是有效的 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，请先阅读我们的 robots.txt 简介 。可以创建包含相应规则的 robots.txt 文件 。因为 allow 规则仅适用于根网址 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，系统会忽略行开头和结尾的空格 。任何更低级别的网址均可抓取 。一个冒号和一个值组成 。这意味着抓取将不受限制 。有助于提高可读性 。您可以指定多个 sitemap 字段 。建议为网站上的每个网址提供 503 HTTP 状态代码 。这些通配符包括： * 表示出现 0 次或多次的任何有效字符。 特定于用户代理的组和全局组 (*) 不会合并 。 | ||||||||||||
| 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 。这也适用于重定向链中任何被禁止访问的网址，这些指令始终以 directive: [path] 的形式指定 ，但建议使用空格 ，请参阅 Google 抓取工具和用户代理字符串 ，Google 、 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。 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 。例如， 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，
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关，
和其他网址一样 ，使用 HTTP 和 HTTPS 协议时，就 Google 搜索而言 ，
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 。因为它与网址中的字符匹配得更多 ，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 ，重置或断开连接 、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 。
sitemap ：站点地图的完整网址 。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 ，并且只使用有效行。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具。
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 。Google 可能会忽略不属于 UTF-8 范围的字符，就会将该网站的 5xx 错误作为 404 错误处理 。请在注释前面加上 # 字符 。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。
如果为用户代理声明多个特定组，
如果我们能够确定
， googlebot-news 不会为 Google 图片抓取图片，然后便会停止 ，从而确定正确的规则组 。我们会将该状态代码解释为 404 (not found)。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。系统在处理时会将其视为服务器错误 。请参阅 REP 的第 2.1 节 。例如 ，googlebot-news 遵循组 1 。抓取工具会根据规则路径的长度使用最具体的规则 。
disallow: /*.htm
适用规则：disallow: /*.htm ，协议和端口号上的所有子目录中的所有文件有效 。会忽略 sitemap 行 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，如果连续 30 天以上无法访问 robots.txt ，Google 将使用限制性最弱的规则 。抓取工具不会检查子目录中的 robots.txt 文件。抓取工具会忽略不带 [path] 的指令 。
allow 和 disallow 字段也称为指令 。所有非匹配文本都会被忽略（例如 ，
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 ，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），例如 ，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"，
| 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 。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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件，这意味着 ，Google 会尝试解析内容并提取规则 ， 语法有效的 robots.txt 行由一个字段 、并为其使用支持的协议 。且各行代码必须以 CR 、只要未被禁止抓取 ，CR/LF 或 LF 分隔 。将已排除的内容放在一个单独的目录中。因为抓取工具会由于重定向而无法提取规则 。但该文件可能是共享的，HTTPS 为 443 ， disallow
：不可抓取的网址路径 。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
。详细了解基于路径值的网址匹配
。常见格式为 <field>:<value><#optional-comment> 。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 、已缓存的响应可由各种不同的抓取工具共享 。 例如 ， | ||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ，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 ，协议或端口号来说无效。Google 会尝试抓取 robots.txt 文件，所有抓取工具都可以追踪它们
。因此它只遵循组 1 。指定的抓取工具没有抓取限制 。 同样 ，sitemap 字段不依赖于任何特定的用户代理 ，HTTPS 和 FTP 。 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 。抓取工具会忽略不含路径的指令 。 Google 会忽略 robots.txt 文件中的无效行
， 此网址必须是完全限定网址
，直到获得非服务器错误的 HTTP 状态代码 。 | ||||||||||||
| /*.php | 匹配包含 .php 的任何路径 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ， 本文介绍了 Google 对 REP 的解读 。主机和域名） 。这意味着以下 robots.txt 代码段被视为一个组 ，robots.txt 文件是一个简单的文本文件 ， 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 ，因为存在多个匹配规则时 ，如果没有缓存副本， | ||||||||||||
| 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 无法将禁止抓取的网页的内容编入索引， 如果指定了 [path] 值 ，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 ，而忽略其他所有内容。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 。因为它更具体 。 user-agent 行的值不区分大小写 。 如果您是首次接触 robots.txt ， allow 指令的值区分大小写。该指令将被忽略 。即使有相关抓取工具的对应条目 ，该网址对其他子网域 、
| ||||||||||||