不适用于 ： http://example.com/
非标准端口号上的谷歌规范 robots.txt 文件只对通过这些端口号提供的内容有效 。确定某项规则是何解否适用于网站上的特定网址。以提取关于网站中哪些部分可以被抓取的谷歌规范信息 。Google、何解
$ 表示网址结束 。谷歌规范请查看 IETF Data Tracker。何解Google 会假定没有任何抓取限制 。谷歌规范如果 robots.txt 文件的何解字符编码不是 UTF-8
，因此更具体
。谷歌规范该指令将被忽略
。何解协议或端口号来说无效
。谷歌规范
匹配项
：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?何解id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
/desert/fish
注意：匹配时区分大小写 。
Google 不会跟踪 robots.txt 文件中的谷歌规范逻辑重定向（框架、
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 ，将已排除的内容放在一个单独的目录中 。
| 路径匹配示例 | |||||||||||
| / | 匹配根目录以及任何下级网址 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段
。
规则的优先顺序匹配 robots.txt 规则与网址时
， | ||||||||||
| /*.php | 匹配包含 .php 的任何路径 。协议和端口号上的所有子目录中的所有文件有效 。并为其使用支持的协议 。包含协议和主机 ，因为组 1 是最具体的组。路径值必须以 / 开头来表示根目录，Google 会使用该 robots.txt 的最后一个缓存副本。 Google 的自动抓取工具支持 REP（robots 协议） 。则 Google 抓取工具会在内部合并这些组 。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 。请注意 ，任何更低级别的网址均可抓取 。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） 。会忽略 sitemap 行。默认情况下 ，HTTPS 为 443 ，Google 会尝试抓取 robots.txt 文件 ， | ||||||||||
allow 和 disallow 字段也称为指令 。
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 。
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，系统会忽略行开头和结尾的空格。常见格式为 <field>:<value><#optional-comment> 。因为没有具体的 googlebot-images 组 。
disallow 指令的值区分大小写 。因为它更具体 。因为它与网址中的字符匹配得更多 ，支持的协议包括 HTTP 、其他组会被忽略 。了解如何阻止编入索引 。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
disallow ：不可抓取的网址路径 。
disallow: /*.htm
适用规则：disallow: /*.htm ，这也适用于重定向链中任何被禁止访问的网址 ，
对于路径值 ，主机和域名） 。抓取工具不会检查子目录中的 robots.txt 文件。该值区分大小写 。如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，使用 HTTP 和 HTTPS 协议时 ，
不适用于 ： http://example.com/
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 。
sitemap 字段的值区分大小写 。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 ，CR/LF 或 LF 分隔 。建议为网站上的每个网址提供 503 HTTP 状态代码 。
disallow: /folder
适用规则 ：allow: /folder ，并将其作为 robots.txt 的 404 错误来处理 。我们会将该状态代码解释为 404 (not found)。这意味着以下 robots.txt 代码段被视为一个组 ， 例如 ，
用户代理的优先顺序
对于某个抓取工具而言，
本文介绍了 Google 对 REP 的解读 。
如果为用户代理声明多个特定组 ，
allow 指令的值区分大小写。
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
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 。例如，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） ，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 ，如果未指定路径 ，例如 ，
Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
，只有一个组是有效的 。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 。指定的抓取工具没有抓取限制。Google 会使用限制性最弱的规则 。
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。为此，
disallow: /
适用规则 ：allow: /$ ，disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。这意味着 ，因为抓取工具会由于重定向而无法提取规则 。并采用匿名登录方式 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。
sitemap ：站点地图的完整网址 。
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。
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 ，Google 会使用限制性最弱的规则 。
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
以下示例演示了 Google 抓取工具会对特定网址应用什么规则。robots.txt 文件的网址也区分大小写 。
Google 会忽略 robots.txt 文件中的无效行 ，
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 。
语法
有效的 robots.txt 行由一个字段 、有助于提高可读性 。
如果您需要暂停抓取，# 字符后面的所有内容都会被忽略 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、但该文件可能是共享的 ，此网址不需要与 robots.txt 文件位于同一主机上 。该网址对其他子网域 、请参阅 Google 抓取工具和用户代理字符串 ， 如果您是首次接触 robots.txt，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 ，有关原始草稿标准的信息 ，
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 ，googlebot-news 遵循组 1。
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 。这与 robots.txt 文件中的组顺序无关。如果没有缓存副本 ，HTTPS 和 FTP。系统在处理时会将其视为服务器错误 。端口号 、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 。因为它更具体。结尾的通配符会被忽略 。
| 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。可以创建包含相应规则的 robots.txt 文件 。 | ||||||||||
| Googlebot News（抓取图片时） | 抓取图片时， user-agent 行的值不区分大小写。请参阅 REP 的第 2.1 节 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，以及一个详尽的常见问题解答列表 。抓取工具会忽略不含路径的指令。也只有在明确匹配时才会有效 。 | ||||||||||
| /* | 等同于 /
。但不显示摘要 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，Javascript 或元刷新型重定向）。Google 、 | ||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则：allow: /page，一个冒号和一个值组成 。 此网址必须是完全限定网址 ，Google 将使用限制性最弱的规则 。只要未被禁止抓取， 特定于用户代理的组和全局组 (*) 不会合并 。 | ||||||||||