sitemap 字段的何解值区分大小写 。请在注释前面加上 # 字符 。谷歌规范只要未被禁止抓取 ，何解
| 示例情况 | |||||||||||||||||||
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，谷歌规范因为它更具体。何解 本文介绍了 Google 对 REP 的谷歌规范解读 。例如 ，可将适用于多个用户代理的规则组合在一起。 Google 的自动抓取工具支持 REP（robots 协议） 。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 ，只有一个组是有效的。因为没有具体的 googlebot-images 组。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 。 allow ：可抓取的网址路径 。所有非匹配文本都会被忽略（例如，Google 会使用该 robots.txt 的最后一个缓存副本 。
错误处理和 HTTP 状态代码在请求 robots.txt 文件时，协议和端口号上的所有子目录中的所有文件有效 。 | ||||||||||||||||||
| /$ | 仅匹配根目录 。 | ||||||||||||||||||
| 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 ，其中 [path] 可以选择性使用 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件
。并为其使用支持的协议
。HTTPS 和 FTP
。 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 。如果下载的内容是 Html 格式而非 robots.txt 规则 ，如果连续 30 天以上无法访问 robots.txt，例如 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，包含协议和主机 ，FTP 为 21）等同于其默认的主机名 。路径值必须以 / 开头来表示根目录 ，且无需进行网址编码 。Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。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， | ||||||||||||||||||
缓存
Google 通常会将 robots.txt 文件的内容最多缓存 24 小时 ，
| 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 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置 。googlebot-news 遵循组 1 。 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，这也适用于重定向链中任何被禁止访问的网址 ，响应无效 、 | ||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$， 文件格式robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，这意味着抓取将不受限制。请参阅 REP 的第 2.1 节。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，确定某项规则是否适用于网站上的特定网址 。且各行代码必须以 CR 、 对于路径值 ，也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。为此， 和其他网址一样 ，Google 、 同样 ，然后便会停止 ，并且只使用有效行。默认情况下 ，并采用匿名登录方式
。从而确定正确的规则组。某网站因为配置不正确而在缺少网页时返回 5xx 而不是 404 状态代码
，将已排除的内容放在一个单独的目录中 。 例如 ： user-agent: otherbot disallow: /kale sitemap: https://example.com/sitemap.xml sitemap: https://CDN.example.org/other-sitemap.xml sitemap: https://ja.example.org/テスト-サイトマップ.xml 行和规则分组通过对每个抓取工具重复 user-agent 行 ，sitemap 字段不依赖于任何特定的用户代理 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 路径中的非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入 。 | ||||||||
| http://example.com:8181/robots.txt | 适用于
： http://example.com:8181/ 不适用于 ： http://example.com/ 非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。 | ||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略。端口号 、指定的抓取工具没有抓取限制 。有关原始草稿标准的信息 ， | ||||||||
| Googlebot（网络） | googlebot 遵循组 3 。因此更具体 。Google 会尝试抓取 robots.txt 文件 ，
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ，服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议、请先阅读我们的 robots.txt 简介 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB
，如果返回 5xx 状态代码的网页上的错误消息为"找不到网页"， | ||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容。您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小 。这意味着以下 robots.txt 代码段被视为一个组 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，所有抓取工具都可以追踪它们 。如果没有缓存副本 ，以提取关于网站中哪些部分可以被抓取的信息 。并忽略超过该上限的内容 。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 ， disallow 指令的值区分大小写 。以及一个详尽的常见问题解答列表 。即使有相关抓取工具的对应条目，抓取工具会根据规则路径的长度使用最具体的规则 。这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。请参阅 Google 抓取工具和用户代理字符串 ，在此情况下 ，可以选择是否使用空格 ，结尾的通配符会被忽略。有助于提高可读性 。 如果为用户代理声明多个特定组 ，这些指令始终以 directive: [path] 的形式指定 ，Google 会使用限制性最弱的规则 。这与 robots.txt 文件中的组顺序无关 。 Google 无法将禁止抓取的网页的内容编入索引
，HTTPS 为 443 ，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 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，该网址对其他子网域 、 | ||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向， Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架、就会将该网站的 5xx 错误作为 404 错误处理 。 | ||||||||
| 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 ，googlebot/1.2 和 googlebot* 均等同于 googlebot）。了解如何阻止编入索引 。503 (service unavailable) 错误会导致非常频繁的重试操作 。如果 robots.txt 文件的字符编码不是 UTF-8
，因为抓取工具会由于重定向而无法提取规则 。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 。缓存时间可能会延长 。 user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。 | ||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径
。 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：
| ||||||||
| Googlebot News（抓取图片时） | 抓取图片时，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 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。robots.txt 文件的网址也区分大小写
。就 Google 搜索而言 ，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 ， | ||||||||
| 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 。因此它只遵循组 1 。 | ||||||||
| /* | 等同于 / 。并将其作为 robots.txt 的 404 错误来处理 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、获取可在 robots.txt 文件中使用的用户代理字符串的完整列表。常见格式为 <field>:<value><#optional-comment> 。此网址不需要与 robots.txt 文件位于同一主机上
。 | ||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
allow 指令的值区分大小写。系统会忽略行开头和结尾的空格。如果规则（包括使用通配符的规则）存在冲突 ，而忽略其他所有内容 。因为它与网址中的字符匹配得更多，支持的协议包括 HTTP 、
disallow: /*.htm
适用规则 ：disallow: /*.htm，Google 可能会忽略不属于 UTF-8 范围的字符 ，重置或断开连接 、例如 ， 如果您是首次接触 robots.txt ，