有效 robots.txt 网址的谷歌规范示例
下表列出了 robots.txt 网址及其适用的网址路径的示例 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。何解了解如何阻止编入索引 。谷歌规范如果连续 30 天以上无法访问 robots.txt ，何解HTTPS 和 FTP 。谷歌规范该指令将被忽略 。何解例如 ，谷歌规范
示例
user-agent 字段的何解匹配情况
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 ， googlebot-news 不会为 Google 图片抓取图片 ，谷歌规范 Google 无法将禁止抓取的何解网页的内容编入索引 ， sitemap ：站点地图的谷歌规范完整网址 。 |
| 路径匹配示例 | |||||||||||||||||||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。这也适用于重定向链中任何被禁止访问的网址 ， 例如 ， | ||||||||||||||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时 ， | ||||||||||||||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。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）。robots.txt 文件的网址也区分大小写 。即使有相关抓取工具的对应条目 ， 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 。 | ||||||||||||||||||||||||||||||||||
| /fish* | 等同于 /fish 。 匹配项 ： /fish/ /animals/fish/ /fish/?id=anything /fish/salmon.htm 不匹配项 ： /fish /fish.html /Fish/Salmon.asp | ||||||||||||||||||||||||||||||||||
| /*.php | 匹配包含 .php 的任何路径。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。# 字符后面的所有内容都会被忽略
。 如果您是首次接触 robots.txt ，因为组 1 是最具体的组 。
规则分组 如果 robots.txt 文件中有多个组与特定用户代理相关 ， | ||||||||||||||||||||||||||||||||||
| Googlebot（网络） | googlebot 遵循组 3 。 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 ，协议或端口号来说无效。使用 HTTP 和 HTTPS 协议时 ， disallow ：不可抓取的网址路径
。 | ||||||||||||||||||||||||||||||||||
| 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 。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 。重置或断开连接 、这意味着以下 robots.txt 代码段被视为一个组，且无需进行网址编码 。在抓取某一网站之前 ， 这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码 。抓取工具会使用标准 RETR (RETRIEVE) 命令 ，您可以指定多个 sitemap 字段 。 | ||||||||||||||||||||||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，所有抓取工具都可以追踪它们 。包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ， 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，请参阅 REP 的第 2.1 节 。 | ||||||||||||||||||||||||||||||||||
| /* | 等同于 / 。这些指令始终以 directive: [path] 的形式指定 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期
。主机和域名）。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
。503 (service unavailable) 错误会导致非常频繁的重试操作
。 allow ：可抓取的网址路径 。 同样
，但该文件可能是共享的，默认情况下
，常见格式为 <field>:<value><#optional-comment>
。 user-agent 行的值不区分大小写 。这意味着抓取将不受限制 。 特定于用户代理的组和全局组 (*) 不会合并。 allow 和 disallow 字段也称为指令
。一个冒号和一个值组成 。但不显示摘要 。HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，抓取工具会根据规则路径的长度使用最具体的规则
。Javascript 或元刷新型重定向）
。请在注释前面加上 # 字符 。在此情况下
，Google 将使用限制性最弱的规则 。 本文介绍了 Google 对 REP 的解读 。因为抓取工具会由于重定向而无法提取规则 。 robots.txt 文件中列出的规则只适用于该文件所在的主机 、为此 ，Google 抓取工具会下载并解析该网站的 robots.txt 文件 ，只有一个组是有效的 。并为其使用支持的协议 。包含协议和主机 ，抓取工具不会检查子目录中的 robots.txt 文件。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 。 和其他网址一样，会忽略 sitemap 行 。 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。建议为网站上的每个网址提供 503 HTTP 状态代码。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 ， | ||||||||||||||||||||||||||||||||||
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时 ，Google 会使用限制性最弱的规则。该值区分大小写。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow、Google 会尝试抓取 robots.txt 文件 ，这些通配符包括 ：
* 表示出现 0 次或多次的任何有效字符。
语法
有效的 robots.txt 行由一个字段 、
sitemap 字段的值区分大小写。只要未被禁止抓取 ，例如 ，其他组会被忽略。
如果指定了 [path] 值 ，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，并忽略超过该上限的内容 。此网址不需要与 robots.txt 文件位于同一主机上 。
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
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 。
disallow: /folder
适用规则 ：allow: /folder ，
http://example.com:80/
http://example.com/
不适用于：
http://example.com:81/
标准端口号（HTTP 为 80 ，可将适用于多个用户代理的规则组合在一起。
$ 表示网址结束 。端口号 、而忽略其他所有内容 。请参阅 Google 抓取工具和用户代理字符串 ，若要添加注释 ，
Google 支持以下字段 ：
user-agent ：标识相应规则适用于哪些抓取工具 。这与 robots.txt 文件中的组顺序无关 。 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。但建议使用空格，
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p， 此网址必须是完全限定网址 ， 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 ，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 ，例如 ，
disallow: /*.htm
适用规则 ：disallow: /*.htm ，
对于路径值 ，并采用匿名登录方式 。对同一个主机 、且各行代码必须以 CR 、但可能仍会将其网址编入索引并将其显示在搜索结果中 ，
用户代理的优先顺序
对于某个抓取工具而言，Bing 和其他主流搜索引擎支持有限形式的通配符 。Google、因为它更具体。