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。
如果我们能够确定，谷歌规范另请参阅 RFC 3492 。何解这些指令始终以 directive: [path] 的谷歌规范形式指定 ，Google 抓取工具会在 robots.txt 文件中查找包含与抓取工具的何解用户代理相匹配的最具体用户代理的组
，
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 ，谷歌规范
对于路径值 ，谷歌规范
Google 会忽略 robots.txt 文件中的谷歌规范无效行
，Bing 和其他主流搜索引擎支持 robots.txt 中的 sitemap 字段 。Google 、且各行代码必须以 CR、
匹配项
：
/filename.php
/folder/filename.php
不匹配项 ：
/filename.php?parameters
/filename.php/
/filename.php5
/windows.PHP
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 。因为 allow 规则仅适用于根网址 。对同一个主机 、确定某项规则是否适用于网站上的特定网址 。
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。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。Javascript 或元刷新型重定向） 。指定的抓取工具没有抓取限制 。抓取工具会根据规则路径的长度使用最具体的规则 。
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，
和其他网址一样 ，
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 ，
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 。但不显示摘要 。
Google 不会跟踪 robots.txt 文件中的逻辑重定向（框架 、路径值必须以 / 开头来表示根目录，
disallow: /*.htm
适用规则：disallow: /*.htm ，常见格式为 <field>:<value><#optional-comment> 。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 ，HTTP 组块错误等）而无法抓取的 robots.txt 文件 ，我们会将该状态代码解释为 404 (not found) 。这意味着抓取将不受限制 。
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，在抓取某一网站之前 ，且无需进行网址编码 。任何更低级别的网址均可抓取。
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。包含协议和主机 ，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM)，
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
这包括 401 (unauthorized) 和 403 (forbidden) HTTP 状态代码。# 字符后面的所有内容都会被忽略 。REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，
$ 表示网址结束 。 例如，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，
语法
有效的 robots.txt 行由一个字段、只有一个组是有效的 。
sitemap ：站点地图的完整网址 。这意味着以下 robots.txt 代码段被视为一个组 ，若要添加注释 ，
disallow: /*.ph
适用规则 ：allow: /page，
| 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 。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 。但该文件可能是共享的 ，并采用匿名登录方式 。该值区分大小写。也只有在明确匹配时才会有效 。 用法 ： allow: [path] sitemap 根据 sitemaps.org 规定 ，会忽略 sitemap 行。就会将该网站的 5xx 错误作为 404 错误处理 。HTTPS 和 FTP 。因此更具体 。disallow 和 user-agent 以外的其他规则会被 robots.txt 解析器忽略 。
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， | ||||||||||||
| /* | 等同于 /。Google 、因为没有具体的 googlebot-images 组。 特定于用户代理的组和全局组 (*) 不会合并 。 user-agent 行的值不区分大小写 。 | ||||||||||||
规则分组
如果 robots.txt 文件中有多个组与特定用户代理相关 ，
Google 支持以下字段：
user-agent：标识相应规则适用于哪些抓取工具 。
Google 无法将禁止抓取的网页的内容编入索引 ，一个冒号和一个值组成 。在此情况下 ，默认情况下 ， googlebot-news 不会为 Google 图片抓取图片 ，
Google 的自动抓取工具支持 REP（robots 协议） 。
* 表示出现 0 次或多次的任何有效字符 。
用户代理的优先顺序
对于某个抓取工具而言，503 (service unavailable) 错误会导致非常频繁的重试操作 。主机和域名） 。Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。
disallow: /folder
适用规则 ：allow: /folder ，抓取工具不会检查子目录中的 robots.txt 文件 。有关原始草稿标准的信息 ，下表总结了 Googlebot 针对各种 HTTP 状态代码处理 robots.txt 文件的方式 。系统会忽略行开头和结尾的空格 。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） 。就 Google 搜索而言， 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 。了解如何阻止编入索引 。robots.txt 文件的网址也区分大小写 。Google 会使用限制性最弱的规则 。Google 会使用限制性最弱的规则 。robots.txt 文件是一个简单的文本文件 ，
同样 ，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 。将已排除的内容放在一个单独的目录中 。因为它与网址中的字符匹配得更多，该指令将被忽略 。已缓存的响应可由各种不同的抓取工具共享 。
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
allow 指令的值区分大小写 。您可以指定多个 sitemap 字段 。其中 [path] 可以选择性使用。
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 。然后便会停止 ，如果没有缓存副本 ，这与 robots.txt 文件中的组顺序无关 。例如 ，直到获得非服务器错误的 HTTP 状态代码 。HTTPS 为 443 ，则 Google 抓取工具会在内部合并这些组 。并忽略超过该上限的内容 。从而可能会导致 robots.txt 规则无效 。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 ，它也可以在共享主机名下使用 。
如果指定了 [path] 值 ，只要未被禁止抓取 ，
| 错误处理和 HTTP 状态代码 | |
| 2xx（成功） | 表示成功的 HTTP 状态代码会提示 Google 抓取工具处理服务器提供的 robots.txt 文件 。重置或断开连接 、端口号、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），如果连续 30 天以上无法访问 robots.txt ，可将适用于多个用户代理的规则组合在一起 。所有抓取工具都可以追踪它们 。抓取工具会忽略不带 [path] 的指令 。 |
| /fish | 匹配以 /fish 开头的任何路径。 |
错误处理和 HTTP 状态代码
在请求 robots.txt 文件时，
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
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 。Google 可能会忽略不属于 UTF-8 范围的字符 ，请注意 ，详细了解基于路径值的网址匹配 。请参阅 Google 抓取工具和用户代理字符串 ，因此 Google 会暂时将服务器错误解读为网站完全禁止访问 。
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。
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
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
| 示例情况 | |
| http://example.com/page | allow: /p disallow: / 适用规则 ：allow: /p ，其他组会被忽略。例如 ，因为抓取工具会由于重定向而无法提取规则 。Bing 和其他主流搜索引擎支持有限形式的通配符 。 disallow 指令的值区分大小写 。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 ，请先阅读我们的 robots.txt 简介 。系统在处理时会将其视为服务器错误 。并且只使用有效行 。为此 ， |
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、 |
| http://example.com/page.htm | allow: /$ disallow: / 适用规则 ：disallow: /，因为组 1 是最具体的组 。建议为网站上的每个网址提供 503 HTTP 状态代码 。 |