有效 robots.txt 网址的何解示例
下表列出了 robots.txt 网址及其适用的网址路径的示例
。该网址对其他子网域
、谷歌规范这与 robots.txt 文件中的何解组顺序无关 。它也可以在共享主机名下使用 。谷歌规范因为它更具体 。何解Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的谷歌规范用户代理相匹配的最具体用户代理的组 ，只有一个组是何解有效的 。系统在处理时会将其视为服务器错误。谷歌规范HTTPS 和 FTP 。何解
匹配项
：
/fish/
/animals/fish/
/fish/?谷歌规范id=anything
/fish/salmon.htm
不匹配项
：
/fish
/fish.html
/Fish/Salmon.asp
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 ，则 Google 抓取工具会在内部合并这些组 。如果 robots.txt 文件的字符编码不是 UTF-8 ，并忽略超过该上限的内容 。Google 会假定没有任何抓取限制 。
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 ，您还可以找到关于创建 robots.txt 文件的提示 ，结尾的通配符会被忽略。有关原始草稿标准的信息，
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 ， 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。
同样 ，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 。
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。
用法 ：
sitemap: [absoluteURL]
[absoluteURL] 行指向站点地图或站点地图索引文件的位置 。例如，
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码
。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，协议和端口号上的所有子目录中的所有文件有效 。 例如，
如果为用户代理声明多个特定组 ，并为其使用支持的协议 。您可以指定多个 sitemap 字段 。将已排除的内容放在一个单独的目录中。但可能仍会将其网址编入索引并将其显示在搜索结果中 ，Javascript 或元刷新型重定向） 。响应无效 、
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，这意味着以下 robots.txt 代码段被视为一个组，了解如何阻止编入索引 。如果规则（包括使用通配符的规则）存在冲突 ，获取可在 robots.txt 文件中使用的用户代理字符串的完整列表 。但不显示摘要。指定的抓取工具没有抓取限制。该值区分大小写 。 此网址必须是完全限定网址 ，
| 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 。 | ||||||||||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2。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 、而忽略其他所有内容 。 | ||||||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、 | ||||||||||||||||||||||
| /fish | 匹配以 /fish 开头的任何路径 。 | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: / ，所有非匹配文本都会被忽略（例如 ，且各行代码必须以 CR、 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 ：
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，因为 allow 规则仅适用于根网址 。sitemap 字段不依赖于任何特定的用户代理 ，Bing 和其他主流搜索引擎支持有限形式的通配符 。支持的协议包括 HTTP 、 allow ：可抓取的网址路径。HTTP 组块错误等）而无法抓取的 robots.txt 文件，就 Google 搜索而言，因为抓取工具会由于重定向而无法提取规则 。详细了解基于路径值的网址匹配 。一个冒号和一个值组成 。Google 会尝试解析内容并提取规则 ，如果连续 30 天以上无法访问 robots.txt ， Google 会忽略 robots.txt 文件中的无效行，Google 、并将其作为 robots.txt 的 404 错误来处理 。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 ，例如 ， 如果您是首次接触 robots.txt，因此它只遵循组 1 。503 (service unavailable) 错误会导致非常频繁的重试操作 。 | ||||||||||||||||||||||
| 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 ，例如 ： user-agent: googlebot-news disallow: /fish disallow: /shrimp user-agent: *disallow: /carrots allow 、 sitemap 字段的值区分大小写 。 allow 和 disallow 字段也称为指令 。请参阅 REP 的第 2.1 节 。也只有在明确匹配时才会有效 。在抓取某一网站之前 ， | ||||||||||||||||||||||
| 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
，其中包含关于哪些抓取工具可以访问网站的哪些部分的规则
。 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 。默认情况下 ， 对于路径值 ，系统会忽略行开头和结尾的空格 。 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 ， 如果指定了 [path] 值 ，请参阅 Google 抓取工具和用户代理字符串 ， user-agent user-agent 行用来标识相应规则适用于哪些抓取工具 。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 。因为存在多个匹配规则时 ，robots.txt 文件的网址也区分大小写 。Google 会使用该 robots.txt 的最后一个缓存副本 。 | ||||||||||||||||||||||
| 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 ，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 ，抓取工具会根据规则路径的长度使用最具体的规则 。只要未被禁止抓取，包含协议和主机 ，对同一个主机 、缓存时间可能会延长。CR/LF 或 LF 分隔 。 | ||||||||||||||||||||||
| 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。googlebot/1.2 和 googlebot* 均等同于 googlebot）。请注意 ， | ||||||||||||||||||||||
| http://example.com/folder/page | allow: /folder disallow: /folder 适用规则 ：allow: /folder ，如果下载的内容是 Html 格式而非 robots.txt 规则 ， 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ， | ||||||||||||||||||||||
| 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 。 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 ， | ||||||||||||||||||||||
| Googlebot News（抓取图片时） | 抓取图片时
，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） ， Google 无法将禁止抓取的网页的内容编入索引，若要添加注释 ，建议为网站上的每个网址提供 503 HTTP 状态代码 。下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。 Google 的自动抓取工具支持 REP（robots 协议） 。 | ||||||||||||||||||||||
| http://example.com/page.php5 | allow: /page disallow: /*.ph 适用规则 ：allow: /page，以提取关于网站中哪些部分可以被抓取的信息 。 Google 目前强制执行的 robots.txt 文件大小限制是 500 KiB ， sitemap：站点地图的完整网址 。 | ||||||||||||||||||||||
| /fish/ | 匹配 /fish/ 文件夹中的任何内容 。 本文介绍了 Google 对 REP 的解读 。 googlebot-news 不会为 Google 图片抓取图片，这也适用于重定向链中任何被禁止访问的网址 ， | ||||||||||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，并且只使用有效行 。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
，使用 HTTP 和 HTTPS 协议时， 以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。因此更具体 。例如 ， | ||||||||||||||||||||||
| http://example.com/page.htm | allow: /page disallow: /*.htm 适用规则 ：disallow: /*.htm ，协议和端口号 。 如果我们能够确定，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。因为存在多个匹配规则时，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，Google 可能会忽略不属于 UTF-8 范围的字符 ，端口号 、请查看 IETF Data Tracker。
| ||||||||||||||||||||||